- 博客(17)
- 收藏
- 关注
原创 DeepAgents全解析:从入门到实战(看我这篇就够了)---下篇
本文是DeepAgents系列的下篇,面向已掌握基础知识的Python开发者,重点介绍生产级AI代理的高级特性和实践方法。主要内容包括:1.人机协同(HITL)。2. 后端存储(Backends)。3.文件权限控制。4.技能系统(Skills)。5.最佳实践
2026-07-31 09:07:11
362
原创 DeepAgents全解析:从入门到实战(看我这篇就够了)---中篇
本文是DeepAgents系列的中篇,主要讲解三个核心功能: 流式输出 - 通过agent.stream()实时展示AI决策过程,解析数据结构中的model(AI决策)和tools(工具执行)两种关键消息类型,并给出FastAPI集成SSE的生产级示例。 异步并发 - 让多个Agent并行工作,通过asyncio.gather实现并发执行,显著提升处理效率。 子代理系统 - 演示如何创建和管理子代理团队,通过主代理协调多个专业子代理完成复杂任务。
2026-07-30 20:31:39
299
原创 DeepAgents全解析:从入门到实战(看我这篇就够了)---上篇
本文介绍了DeepAgents框架的上篇内容,主要面向Python开发者,从零开始搭建环境并实现首个智能体。文章首先对比了普通LLM与DeepAgents Agent的核心差异:DeepAgents具备多轮自主推理、工具调用、任务拆解、持久化记忆和团队协作等能力。随后通过横向对比,指出DeepAgents在开发门槛、功能完备性和企业级应用方面的优势。 文章详细剖析了DeepAgents的架构设计,展示其如何通过create_deep_agent工厂函数集成系统提示、内置工具、状态机和持久化存储等组件。
2026-07-30 20:30:50
321
原创 LangGraph 学习笔记(如果你也在学,你可以看看我的笔记)
这篇文章是 LangGraph 框架的学习笔记,主要介绍了该框架的核心概念和使用方法。文章包含以下主要内容: LangGraph 是一个用于构建有状态、可控制流程的 AI 智能体的低级编排框架,通过图(Graph)的形式建模工作流,包含节点(Node)、边(Edge)和状态(State)三大核心要素。 从快速入门示例开始,展示了一个并行搜索问答系统的实现,包括状态定义、节点函数编写和图构建。 详细讲解了状态的三种定义方式:TypedDict(推荐)、Pydantic BaseModel 和 @datacla
2026-07-27 17:25:34
330
原创 从头开始构建RAG:从零到一的检索增强生成全指南
本文介绍了从零构建RAG(检索增强生成)系统的完整指南。主要内容包括: RAG概述:解释RAG如何结合检索和生成技术解决大模型的幻觉、知识滞后等问题,分析其优缺点及适用场景。 实现流程: 文档加载:支持Markdown、Word、PDF等多种格式(重点解决PDF解析难题) 文本切分:采用递归字符切分等策略处理长文档 向量嵌入:对比稠密/稀疏向量,推荐BGE-M3等先进模型 向量存储:详细介绍Milvus向量数据库的部署和使用 混合检索:结合语义检索和关键词检索 答案生成:基于检索结果的上下文生成回答 高级技
2026-07-16 23:08:29
573
原创 从API调用到RAG实战:我的LangChain学习笔记
本文是一篇LangChain技术学习笔记,主要分享了从API调用到RAG(检索增强生成)实战的经验。文章首先分析了直接调用大模型API的痛点:80%时间消耗在重复造轮子上,而LangChain能有效解决这些问题,提供标准化组件和模型无关的接口。 文章系统性地介绍了LangChain生态的三层架构(Deep Agents套件层、LangChain框架层、LangGraph运行时层)以及核心组件:提示词模板(基础模板、聊天模板)、输出解析器(JSON解析、结构化输出)和LCEL链式调用。重点讲解了RAG技术的完
2026-07-12 23:02:32
177
原创 InterviewPilot:基于 AI 的数字面试官平台全解析
InterviewPilot 实现了一个完整的 AI 模拟面试平台,涵盖:用户注册登录(JWT 认证 + 邮箱验证码)面试配置(岗位/难度/面试官人设)AI 智能面试(动态出题 + 评分 + 追问)语音交互(TTS 朗读 + STT 识别)多维报告(雷达图 + 能力分析 + 学习建议)历史记录与趋势分析会员支付(支付宝 + 订单管理)用户资料管理(头像上传 + 用户名修改 + 密码修改)
2026-07-08 08:57:17
332
原创 Redis 学习笔记
命令用于监视一个或多个键,如果在事务执行前这些键被其他客户端修改,则事务执行失败。主从复制实现数据冗余,提高读性能,同时是构建高可用集群的基础。在较新版本的 Redis 中已弃用,推荐使用。这是最基础的类型,可以存储文本、数字等。Redis 事务不支持回滚,但可以通过。适合存储对象,如用户信息、商品详情等。:将从节点提升为主节点(故障转移时用)连接从节点执行相同命令,应显示。不能同时使用,选择其一即可。:如果存储的是整数,可以用。一个有序的字符串列表,底层是。(应报错,因为从节点只读)
2026-06-30 09:27:28
206
原创 Vue3 入门笔记(你可以看看我的学习笔记)
npm= Node Package Manager,是 Node.js 自带的“包管理器”。类比:Python 的pip,Java 的maven。如果你看到pnpm或yarn,它们是类似的工具,速度可能更快。devref是 Vue3 中最常用的 API,它可以把一个普通数据变成响应式的 —— 数据变化时,页面会自动更新。// 定义响应式数据const message = ref('你好')// 在 JS/TS 中修改时,必须用 .value</script><template>
2026-06-15 09:19:27
236
原创 mysql的底层(一)
mysq可以分为server层和存储引擎层:主要包括连接器、查询缓存、分析器、优化器、执行器、写Binlog等,涵盖 MySQL 的大多数核心服务功能,以及所有的内置函数(如日期、时间、数学和加密函数等),所有跨存储引擎的功能都在这一层实现,比如存储过程、触发器、视图等。:存储引擎层负责数据的存储和提取。其架构模式是插件式的,支持 InnoDB、MyISAM、Memory 等多个存储引擎。现在最常用的存储引擎是 InnoDB,它从 MySQL 5.5.5 版本开始成为了默认存储引擎。也就是说如果我们在。
2026-05-24 18:22:06
346
原创 本人学习大模型技术概述
大模型(Large Models)通常指参数规模达到数十亿(Billion, 10⁹)甚至数万亿级别的人工智能模型。比如我们常听到的 7B、70B、乃至上千亿参数的模型,都属于大模型范畴。维度含义示例参数量(Parameters)模型中的可学习权重数量7B = 70 亿个参数训练数据(Tokens)模型见过的训练语料规模Qwen3 使用了 36T tokens 训练计算量(FLOPs)训练所需的浮点运算次数1 PFLOPs = 10¹⁵ 次运算Token。
2026-05-18 08:35:50
439
原创 JavaScript 新人学习之路
本文整理了JavaScript学习中的核心知识点,包括:1)网页弹窗的两种实现方式(原生弹窗和自定义弹窗);2)输入输出的多种形式及类型转换注意事项;3)事件监听器的使用方法;4)数组的声明与操作方法;5)JavaScript的数据类型分类;6)循环语句的不同形式;7)函数的多种定义方式及参数处理。文章通过代码示例详细说明每个知识点,特别强调了类型转换的常见陷阱和数组操作的注意事项,适合JavaScript初学者系统学习基础语法和核心概念。
2026-05-12 14:17:50
351
原创 Python 基础学习(一)仅供参考
print("苹果", "香蕉", "橙子", sep=", ") # 苹果, 香蕉, 橙子print("第一行", end="")print("第二行") # 输出:第一行第二行。
2026-04-19 17:14:59
263
原创 PyAutoGUI学习仅供参考
PyAutoGUI 是一个纯 Python 的 GUI 自动化库,可以程序化控制鼠标和键盘,模拟用户操作。它跨平台支持 Windows、macOS 和 Linux,非常适合用于自动化测试、重复性任务处理、屏幕截图分析等场景。
2026-04-19 14:01:51
64
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅