- 博客(654)
- 收藏
- 关注
RSS订阅原创 安全运营 Agent 落地：让 LLM 亲手把自己「炼」成规则
或者说，这里的主要问题是，它对我来说，是黑盒的。和 rule/_iterate 不同，它是一个黑盒 Agent，基于Skills——你通过 Skills（一份描述分析流程和约束的文档）告诉它「你是一个安全分析师」，然后把告警丢给它，它自主决定查什么数据、怎么分析、给什么结论。给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！OpenClaw 不一样。
2026-03-28 11:58:51
561
原创 关于智能体（AI Agent）入门，一篇超详细的总结！
要理解智能体的运作，我们必须先理解它所处的任务环境。在人工智能领域，通常使用PEAS模型来精确描述一个任务环境，即分析其性能度量(Performance)、环境(Environment)、执行器(Actuators)和传感器(Sensors)。以上文提到的智能旅行助手为例，下表1.2展示了如何运用PEAS模型对其任务环境进行规约。表 1.2 智能旅行助手的PEAS描述在实践中，LLM智能体所处的数字环境展现出若干复杂特性，这些特性直接影响着智能体的设计。首先，环境通常是部分可观察的。
2026-03-28 11:34:53
406
原创 从最顶级的30个AI Agent产品里，看懂了这三个趋势
这份指数在1350 个维度上记录了 30 个代理系统，但更重要的，是它揭示了三个结构趋势：第一，安全披露高度不均。仅有极少数代理发布针对自身架构的系统卡片。大多数系统要么只披露基础模型信息，要么只强调合规认证。能力基准与安全评估之间存在明显不对称。当代理风险越来越多地来自规划能力与工具调用，而不仅是模型输出时，仅依赖模型层面的文档已不足够。第二，基础模型高度集中。几乎所有代理都依赖GPT、Claude 或 Gemini。模型供应集中带来效率与评估便利，但也意味着单点风险。
2026-03-14 14:58:03
623
原创 我用了两周OpenClaw，终于明白为什么它能火成这样
写这篇文章的时候，我一直在想一个问题：OpenClaw 到底意味着什么？我觉得它最重要的不是 GitHub 上的 Star 数量，而是它用一个实际可跑的项目，把很多人心里对"可用 AI"的想象具体化了：AI 不再只是在屏幕里聊天，而是像一个常驻的数字员工，和你的操作系统、应用、账号一起构成新的工作流。它的爆火或许会被后来的项目超越，但"聊天入口 + 多模型决策 + 系统级执行 + 长期记忆与定时任务"的组合，很可能会成为未来几年 AI 应用的基本范式之一。
2026-03-11 14:46:52
316
原创 到底是谁在用OpenClaw躺着赚钱？
开年至今，OpenClaw的热度愈演愈烈，「养龙虾」潮从AI圈扩散至各行各业。在GitHub上，OpenClaw突破250K+的Star，成为了GitHub上面获星最多的软件项目。社交媒体上，用OpenClaw开「一人公司」、靠OpenClaw日入斗金的消息被不断转发，仿佛2026年的财富密码就藏在这儿。不同于豆包代表的Chatbot，OpenClaw是一套可本地运行、开源免费的AI Agent框架，核心在于「让AI真正动手干活」。
2026-03-11 11:44:15
781
原创 从0到1！AI大模型保姆级学习路线！
本文提供了一套完整的AI大模型学习路线图，涵盖数学与编程基础、机器学习、深度学习、自然语言处理、大模型核心技术与实战应用。通过系统学习Transformer、BERT、GPT等关键技术，并结合文本生成、对话系统等实战案例，帮助读者从零基础成长为AI大模型领域的熟练程序员。阶段 1：基础知识打底（数学 + 编程）✅ 数学三件套：线性代数、概率统计、微积分✅ 编程基础：Python+ NumPy+ Matplotlib阶段 2：机器学习入门。
2026-03-05 14:59:40
358
原创 收藏！AI大模型开发从零基础到实战（超详细路线图，小白程序员必备！）
本文提供了一套完整的AI大模型学习路线，分为4个阶段：基础阶段（Python/深度学习/Transformer）、框架阶段（Prompt工程/LangChain/RAG）、实战阶段（模型微调/部署）和进阶阶段（多模态/工程化）。涵盖数学、代码实践、项目案例及资源推荐，帮助读者系统掌握大模型开发技能。建议结合GitHub记录、社区参与和持续学习，适合零基础及程序员提升AI竞争力。来源：幽明志从 ChatGPT、DeepSeek，到 Qwen、GLM、Claude……
2026-03-05 12:00:15
474
原创 大模型基础无非就这些！（附学习资料）
文章介绍大模型岗位高薪前景和未来趋势，推荐浙江大学开源的大模型基础教程。该教程包含六个章节：语言模型基础、大语言模型架构、Prompt工程、参数高效微调、模型编辑和检索增强生成(RAG)，系统覆盖大模型核心知识体系，适合零基础入门，为后续深入学习奠定基础。今年秋招，算法岗位中，薪资开的最高的无疑是大模型相关的岗位，大模型相关应用正在逐步落地，往后3-5年，大模型仍是热门方向大家常听到的AI算法工程师，基座大模型，大模型应用工程师等都属于大模型算法相关的岗位。
2026-02-16 11:45:00
754
原创 最近爆火的OpenClaw到底是什么？一文读懂RAG、MCP
文章解析了AI Agent技术架构，包括推理服务、Memory（记忆）、RAG（检索增强生成）、MCP（模型上下文协议）和Skills（操作流程）五大核心组件，共同构成能自主行动的智能系统。以OpenClaw为例，介绍了它能操作电脑完成各种任务，同时提醒用户注意权限安全问题，理性看待AI Agent技术的应用价值。最近，开源界杀出了一匹黑马——OpenClaw（亦被称为ClawdBot）。这个项目有多火？火到具体体现了什么叫“程序员最头疼的事情就是命名”。毕竟在短时间内，它可能已经经历了好几次改名风波。
2026-02-15 11:30:00
2898
原创 读完Google这份Agent白皮书，我才理解了什么是Agent！
*AI Agent：**是一种由大语言模型、工具、编排层和运行时服务所构成的程序。他通过循环调用大语言模型来达成最终的目标。大模型是一个行动无能的天才，而Agent则是通过软件开发的方式，将大模型封装成一个可以自行处理某项任务的软件。**Tips：**这里与我们之前编写的软件还不一样，我们先前编写的软件是一套固定的规则流程，他接受固定的输入，会流经固定的路径，产生固定的输出；而Agent则更“智能”，他通过我们为其提供的工具，自行的编排流程，生成输出。
2026-02-13 09:45:00
1312
原创 AI大模型Skills教程：从零基础到精通，一篇搞定，小白程序员都适用！
Anthropic推出的Agent Skills标准是一套可复用指令集，让AI Agent按需挂载特定场景能力，解决了传统提示词重复撰写和占用上下文的痛点。相比MCP，Skills门槛更低、通用性更强，已被OpenAI、VS Code等主流工具兼容。国内特赞团队推出的skill0平台已聚合423个通用Skills，支持多款工具直接装配。2026年可能成为Skills规模化落地的元年，国内团队在这场技术变革中积极参与。Anthropic在2025年10月推出的火了！
2026-02-13 07:45:00
1003
原创 AI时代，搞懂大模型才是关键
AI时代不跟风，抓牢大模型这个“硬核底座”就赢了！它是“概率猜题大师”，能帮你提效开挂，但也有短板——懂它的功能、避它的坑，不用硬啃技术，按需用就够香～
2026-02-12 09:30:00
1658
原创 AI Agent Skills（保姆级教程）从入门到精通，不看血亏，速速收藏！
Agent Skills是将专业知识、工作流规范固化为可复用资产的核心工具，它不是工具本身，而是行为规范、专业知识和使用时机的组合。一个Skill就是一个文件夹，包含SKILL.md文件和可选资源文件，通过渐进式披露（三层加载）为AI提供操作指导。Skills相当于给AI代理发放专业手册，使AI能够根据任务自动调用知识，实现更高效、可靠的AI应用。Agent 是智能体，Skills 是技能的意思，Agent Skills（智能体技能）是将专业知识、工作流规范固化为可复用资产的核心工具。
2026-02-09 11:52:58
818
原创 AI大模型ReAct教程（非常详细）从零基础入门到精通，看这一篇就够了，必收藏！
ReAct = Reasoning（推理）+ Acting（行动）这是一种让大语言模型能够交替进行推理和行动的架构模式，通过与外部工具交互来解决复杂问题。ReAct 是一种认知架构模式• ✅ 交替进行内部推理和外部行动• ✅ 通过工具调用获取实时信息• ✅ 根据观察结果动态调整策略• ✅ 形成闭环反馈系统模型如何决定使用哪个工具？ReAct 本质：Thought（思考）→ Action（行动）→ Observation（观察）循环核心优势：通过工具获取实时、准确的外部信息vs CoT。
2026-02-09 11:29:25
972
1
原创 3个小案例带你入门Agent_Skills
在 AI 圈，有两个概念经常被混淆：Tools (工具)和Skills (技能)。🛠️ Tools 是“手”：AI 能够联网搜索、能读取文件、能运行 Python 代码。这是硬能力。🧠 Skills 是“脑”：AI 知道怎么写才是对的，什么风格是好的。这是软实力（经验、审美、规范）。Agent Skill 的本质，就是一个标准化的 Markdown格式的SKILL.md文件。它就像是给 AI 发了一本《岗位员工手册》。以前你的经验藏在脑子里，现在你把它写进文件里。
2026-02-09 11:08:38
605
原创 智能客服Agent全攻略（非常详细）从设计理念到工程落地，收藏这篇就够了！
文章介绍智能客服Agent的设计哲学与实现方法，强调"拒绝闲聊，追求收敛"的核心理念。详细阐述风险分层架构设计、三层状态管理模型（业务状态、对话状态、语义状态）、模糊意图处理策略，以及工程化交付标准。指出优秀的客服Agent是严谨的业务工作流AI智能体系统，而非简单聊天机器人，需通过可观测性、兜底机制和SLA保障确保系统稳定性。
2026-02-06 11:37:35
737
原创 大模型本地部署，小号的vLLM来了!
文章介绍轻量级大模型推理引擎Nano-vLLM，这是代码简洁（约1200行Python）的vLLM替代实现。它提供快速离线推理能力，API与vLLM类似，在小模型测试中性能甚至优于vLLM。文章详解安装方法、模型下载途径（包括modelscope）及基本使用示例，适合在有限硬件资源上部署大模型的开发者学习。
2026-01-20 21:34:58
716
原创 大模型本地部署，小号的vLLM来了
文章介绍轻量级大模型推理引擎Nano-vLLM，这是代码简洁（约1200行Python）的vLLM替代实现。它提供快速离线推理能力，API与vLLM类似，在小模型测试中性能甚至优于vLLM。文章详解安装方法、模型下载途径（包括modelscope）及基本使用示例，适合在有限硬件资源上部署大模型的开发者学习。2025 年最热门的项目分布在 AI 基础设施（vllm、ollama、huggingface/transformers）和持久的生态系统（vscode、godot、home-assistant）之间。
2026-01-19 13:48:29
812
原创 使用MCP执行代码：让Agent效率提升98.7%
Anthropic 在 2024 年 11 月推出了 Model Context Protocol (MCP)，这是一个连接 AI Agent 到外部系统的开放标准协议。本文是 Anthropic 工程团队在 MCP 推出一年后，针对大规模工具连接场景下的性能瓶颈，提出的创新性解决方案——通过代码执行环境与 MCP 结合，实现 98.7% 的 token 使用率降低。这不仅是一次技术优化，更是 AI Agent 架构设计理念的重大转变。具体案例Description:从GoogleDrive检索文档。
2026-01-19 11:59:52
717
原创 手把手搭建本地RAG知识库！实现文档秒检索。
文章详细介绍如何使用开源模型nomic-embed-text搭建本地RAG知识库，实现高效文档检索。内容包括模型基本信息、特性对比和应用场景，以及完整搭建步骤：下载模型、创建工作区、上传文档、向量化存储和检索测试。同时提供了两种使用方式：Hugging Face Transformers和Nomic官方API，整个过程无需依赖闭源API，新手也能轻松上手。有些努力，虽然暂时看不见结果，却在悄悄改变你。上一篇我们分享了如何，支持调用本地或公有云大模型处理各类任务。
2026-01-19 11:54:22
787
原创 LLMs、RAG、AI Agent三个到底什么区别？从零基础入门到精通，一篇搞定！
未来不在于选择其一。而在于将三者结合起来进行架构设计。用于思考的 LLMs。用于认知的 RAG。用于执行的Agent。由此才能够构建出AI智能时代。
2026-01-16 16:16:02
599
原创 大模型实战教程（超详细）从零构建知识图谱，收藏这一篇就够了！
本文作为构建知识图谱的现代方法的入门介绍。首先,我们探索了传统方法并概述了 Cypher 语言,然后创建了一个简单的 LLM 图构建器来自动化图构建过程,其性能与手动过程中实现的性能相匹配。最后,我们更进一步,引入了 LangChain 的 LLMGraphTransformer,它显著改进了我们的知识图谱。然而,这只是我们 Graph RAG 之旅的开始,特别是我们的图构建器之旅。我们还需要探索和从头构建更多现代方法,我们将在未来的文章中完成这些工作。
2026-01-16 15:56:48
733
原创 AI大模型提示词工程教程：从零基础入门到精通，看这一篇就够了！
从 Chatbot 与用户的聊天记录，可以总结出一些有价值的数据，比如用户画像（生日、性别等），或者关键的一些记忆点（重要的事情）。在长对话中，这种总结提炼的方式，可以让数据的保鲜期更久，用户也能得到更为贴近自己的对话体验。===- Title: 对话提炼提示词- Author: 无限回响===# 角色设定你是一个贴心的聊天记录分析助手，专门总结用户特征和重要信息。
2026-01-16 15:24:21
767
原创 大模型技术路径梳理
大模型技术路径是一场算力、算法、数据2017年Transformer架构奠定基础2018年BERT/GPT-1确立预训练范式2020年GPT-3展示规模效应与涌现能力2022年RLHF提升模型对齐能力2023年GPT-4/Gemini开启多模态时代2025年RLVR/DPO推动效率与真理导向训练未来技术路径将围绕效率提升、能力深化、安全对齐、生态扩展四大方向发展，最终目标是构建通用人工智能，实现更安全、高效、可解释的智能系统，赋能千行百业。
2026-01-14 11:23:45
640
原创 万字综述，讲一讲这两年大模型这整个领域到底发展了哪些方面
三、2025年来推理Thinking走向台前3.1 CoT的逐渐拉长这些模型是首批被描述为具备“智能体工具使用”（agentic tool use）能力的模型。它们能够自主地决定何时以及如何组合使用网页搜索、Python代码分析和DALL-E图像生成等工具来解决一个复杂的用户请求。例如，模型可以多次搜索网页，分析返回结果，并根据分析动态调整后续策略。3.3.2 Anthropic的Claude 4。
2026-01-14 11:17:35
952
原创 30分钟极速上手：零代码_+_MCP，搭建你的第一个 AI 营销智能体
（如「Facebook 支出达 $5000 时提醒我」）。一旦超过阈值，n8n 将立即通过 Slack、邮件等方式发送预警，清晰注明渠道与当前支出。
2026-01-14 10:50:14
729
原创 万字综述，讲一讲这两年大模型这整个领域到底发展了哪些方面
三、2025年来推理Thinking走向台前3.1 CoT的逐渐拉长这些模型是首批被描述为具备“智能体工具使用”（agentic tool use）能力的模型。它们能够自主地决定何时以及如何组合使用网页搜索、Python代码分析和DALL-E图像生成等工具来解决一个复杂的用户请求。例如，模型可以多次搜索网页，分析返回结果，并根据分析动态调整后续策略。3.3.2 Anthropic的Claude 4。
2026-01-09 16:34:01
800
原创 AI Agent实战教程：从ChatGPT到能动手的AI助手，收藏这篇就够了！
本文讲述了AI从传统语言模型(LLM)向AI Agent的革命性转变。LLM只能输出信息不能执行操作，而AI Agent通过记忆、使用工具和目标驱动能力，能够实际完成任务。MCP作为AI Agent与外部世界交互的"翻译官"，解决了不同API接口的标准化问题。Agent to Agent协作模型实现了专业分工，大幅提升效率。2025年将是AI Agent和MCP的落地年，这不仅是技术升级，更是工作方式的革命，将为掌握这些工具的人带来碾压性的效率优势。
2026-01-09 11:18:50
404
原创 Transformer架构的分步计算流程，从零基础入门到精通，这一篇就够了！
本文详细解析了Transformer架构的核心组件，包括输入数据处理中的分词、词嵌入和位置编码，Encoder中的多头注意力机制与残差连接，以及Decoder的掩码自注意力和跨注意力机制。文章通过分步说明，解释了如何将输入序列转换为矩阵表示，并通过自注意力机制捕捉序列依赖关系，最终通过Softmax输出预测概率，为理解大型语言模型的工作原理提供了全面而深入的视角。上图是Transformer新型神经网络架构。在Transformer出现之前，如如机器翻译等序列建模任务主要依赖循环神经网络（RNN）。
2026-01-06 14:24:37
1022
原创 AI大模型开发全攻略：从零基础入门到项目实战，一篇掌握10大热门Agent框架！
本文介绍了AI Agent领域的11个热门开源框架，包括AutoGPT、Dify、LangChain、MetaGPT等，涵盖自主任务拆解、可视化开发、多智能体协作等核心功能。从零代码工具Flowise到底层框架LangChain，从企业级平台SuperAGI到记忆管理框架Letta，全面覆盖不同技术层次和应用场景，为开发者提供从入门到实战的完整指南。01AutoGPTAutoGPT 是 AI Agent 领域的鼻祖级项目，现在已经 18 万+的 Star 了。与聊天机器人不一样，AutoGPT 能够自主地将
2026-01-06 12:00:29
1155
原创 DeepSeek-V3.2 + Docling：如何极简地搭建具有“反思能力”的 Agentic RAG 系统？
DeepSeek-V3.2 的发布为复杂推理任务提供了极佳的开源选择，其长文本处理能力也让深度文档解析变得更高效。而在 RAG（检索增强生成）实践中，如何精准提取 PDF 结构依然是关键。IBM 的开源工具 Docling 改变了传统 OCR 简单提取字符串的方式，通过视觉语义分析将文档转化为结构化的 Markdown。本文将分享如何将两者结合，搭建一套极简的 Agentic RAG 工作流。
2025-12-31 11:48:01
968
原创 基于LangChain1.0的人机交互式大模型调用方法
LangChain 是一款开源框架，内置智能体架构，且可与任意模型或工具集成。2025年10月23日发布的LangChain1.0是一个非常大的革新，比如create_agent可以方面的创建ReAct模式的智能体，中间件的推出可以实现人机交互、动态系统提示词、动态注入上下文等等，通过向工作流中预埋中间件，能够实现工作流的高效拓展和可定制化。本文主要将注意力放在人机交互上。人机交互是ReAct模式智能体的一大特点。01人机交互的定义与实现。
2025-12-29 15:34:55
1074
原创 十分钟科普RAG技术：搜索+生成=更聪明的大模型系统
文章详细介绍RAG（检索增强生成）技术在大模型应用中的重要性及其六个核心步骤，探讨RAG落地过程中的技术挑战与工程问题，提出12点关于RAG技术的见解，强调多模态RAG是未来发展方向但也面临挑战，同时指出RAG在Agent时代的关键作用，并推荐15篇学习资料供读者深入理解RAG技术。2025年，对于大模型应用来说，搜索增强生成（RAG）和智能体（Agent）是两个非常火热的话题，当然，AI Agent要更火一些。
2025-12-29 15:26:05
884
原创 构建医疗AI智能体框架：从感知到推理的六大核心模块
本文提出了医疗AI智能体的六大核心模块框架：感知、对话接口、交互系统、工具集成、记忆学习和推理。通过七种专业智能体类型的协同配合，构建安全、可解释且自适应的医疗AI系统，推动人工智能在医疗领域的深度应用。原文PDF https://t.zsxq.com/wKnwa开发医疗AI智能体远比将通用算法简单应用于临床数据复杂得多。它需要深思熟虑地构建模块化、专用架构，能够在复杂的医疗生态系统中模拟智能、上下文感知的协作者。
2025-12-27 11:58:53
868
原创 7种大模型最流行的强化学习算法总结：从零基础到精通，一篇就够了！
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓CSDN粉丝独家福利这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码点击下方CSDN官方认证链接免费领取【保证100%免费】
2025-12-25 11:35:12
996
原创 Multi-Agent全面爆发！一文详解多智能体核心架构及LangGraph
本文详细介绍了LangGraph多智能体集成框架，包括其核心概念（图、节点、边、状态等）、多智能体架构（Supervisor、Swarm等）以及高级功能如状态持久化、时间旅行和人机协作。LangGraph通过有向图模型重构智能体工作流，支持条件分支、循环和并行执行，能将复杂任务分解为子任务。文章还涵盖了Java版本实现，为开发者提供了从零基础到精通的完整学习路径。👉目录1 LangGraph概述2 LangGraph核心3 Multi-Agent架构。
2025-12-24 10:29:34
927
原创 AI大模型RAG检索优化全攻略：零基础入门到精通！
面试时可以这样回答：向量化：使用统一Embedding模型；混合检索：结合Dense与BM25，兼顾语义与精确；精排模型：用Cross-Encoder做Rerank；缓存与元数据过滤：提升速度与结果可靠性。我在项目中通过Hybrid Search + Reranker的方式，将检索准确率提升了20%以上。这样的答法逻辑完整，又有实操感，面试官很难不满意。检索优化看似是算法问题，但本质上是工程平衡——速度、准确率、成本的取舍。最好的系统从来不是“最复杂”的，而是在正确的地方做取舍。
2025-12-24 10:24:15
1166
原创 RAG知识库构建实战指南：从文档处理到精准检索，小白到精通全攻略！
RAG知识库构建中，文档处理是根基，需根据业务场景灵活处理。知识库本质是优化检索而非简单管理。结构化数据应提取元数据便于精准检索，非结构化数据需分段并提取核心内容。文档处理前需清洗过滤无用信息，避免脏数据影响质量。最终处理方式应基于实际业务需求调整，而非机械套用模板。文档处理在不同的业务场景中需要选择不同的处理方式，而不送一概而论。关于RAG的知识库构建或者说文档处理，很多会受限于各种条条框框，比如说应该这样处理你的文档，应该那样建立你的知识库；
2025-12-20 10:47:25
620
原创 什么时候该用RAG？什么时候不该用？
Agentic AI 的核心是一个自主决策循环。它不是简单的"输入-输出"模式,而是持续运行的四步循环:Agentic AI 工作循环感知环境Perceive推理决策Reason执行动作Act观察反馈Observe最小化人工干预的自主决策循环感知环境 (Perceive):Agent 观察当前状态——可能是用户的请求、系统的状态、或者外部 API 的返回结果推理决策 (Reason):基于观察到的信息,Agent 调用 LLM 进行推理,决定下一步该做什么执行动作 (Act)
2025-12-20 10:32:39
1060
1
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