Python_0011的博客

原创 Skills、Commands、Agents、Plugins——这些概念你分得清吗？

从0到1！想入门大模型(LLM)却不知道从哪开始?我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!拒绝焦虑，按图索骥~~因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 Agent，试着理解Agent

模块视角的重要性恰恰在这里。模块不是在描述一个产品界面，而是在描述一个系统内部要解决哪些结构问题。一个代码代理和一个研究代理，看起来做的是完全不同的事情，但它们往往都要处理同一批底层问题：当前信息怎么组织，过去的历史怎么保留，什么时候要调用外部工具，复杂任务怎么拆，步骤怎么调度，中间状态放在哪里，错误怎么检查，边界怎么约束。也就是说，产品只是表面差异，模块才是真正的结构同一性。更进一步地说，只有用模块视角，我们才可能真正比较不同 Agent 架构的优劣。

原创 AI Agent开发教程：10. 多Agent系统——1+1为什么能大于2？

先说一个真实数据，Gartner在2025年的研究报告里写道：从2024年第一季度到2025年第二季度，企业询问多Agent系统的次数暴增了1445%。不是14%，是1445%。同一份报告还预测，到2026年底，40%的企业应用将会内嵌任务型AI Agent——而2025年初这个数字还不到5%。这个增速意味着什么？意味着多Agent系统已经从"研究课题"变成了"工程问题"。不是在讨论"能不能用"，而是在讨论"怎么用好"。但这里有个很重要的反面数据：Gartner同时预测，

原创 Prompt Caching：AI Agent 的隐形基础设施

从0到1！想入门大模型(LLM)却不知道从哪开始?我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!拒绝焦虑，按图索骥~~因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 收藏！RAG核心工具大全: 7大解析工具+向量模型+数据库+检索排序

特性/工具MarkerPyMuPDFDoclingMinerUPaddleOCR核心架构混合策略（规则+视觉模型）深度学习流水线 (Surya + Texify)底层PDF流解析 (C++绑定)混合架构 (统一DOM + VLM)深度学习流水线 (PDF-Extract-Kit)深度学习 (PP-Structure / OCR)端到端生成式VLM (MoE架构)解析策略分区版面检测 -> Markdown生成文本块/跨度提取对象模型重构 -> 导出。

原创 收藏！RAG核心工具大全: 7大解析工具+向量模型+数据库+检索排序

特性/工具MarkerPyMuPDFDoclingMinerUPaddleOCR核心架构混合策略（规则+视觉模型）深度学习流水线 (Surya + Texify)底层PDF流解析 (C++绑定)混合架构 (统一DOM + VLM)深度学习流水线 (PDF-Extract-Kit)深度学习 (PP-Structure / OCR)端到端生成式VLM (MoE架构)解析策略分区版面检测 -> Markdown生成文本块/跨度提取对象模型重构 -> 导出。

原创 RAG 正在重塑未来：一文讲明白所有RAG概念！附带完整RAG实践过程！

现在，针对医院智能问诊场景做出实践。智能问诊场景中RAG框架需要借助代表静态资产的医学知识（例如临床医疗指南NCCN、UpToDate和医学论文PubMed等）和代表动态资产的患者日志病历（例如患者电子病历EMR等）进行简单/推理性质的询问，其中主要技术链路如下图。上述的主要流程为：首先用户输入问题，LLM基座（这里使用DeepSeek-R1）根据用户的提问进行意图感知，考虑需要调用的基础工具（基于医学知识文档的RAG或者是需要联表查询的SQL Tools）；

原创 2026 OpenClaw必装的15个插件

小龙虾是一个 AI 助手框架，SKILL 是给它装的插件——装一个，多一项能力。所有 SKILL 都能在 clawhub.ai 免费找到。扔给它一个链接或文件——网页、PDF、图片、音频、YouTube 视频——直接输出摘要。碰到一篇长文或者视频不想看完，先扔给它过一遍，值得细看再细看。

原创 手把手教你：用 MCP 搭建高性能 AI Agent（附源码）

随着 Agent 成为 LLM 应用的核心形态，MCP（模型上下文协议）作为 “连接外部资源的统一桥梁”，其重要性日益凸显。本文将围绕 MCP 的核心架构、组件功能、实战开发三大模块展开，从 “为什么需要 MCP” 到 “如何动手搭建”，层层递进，帮你快速掌握这一提升 Agent 开发效率的关键技术。

原创 实操总结！Claude Skills 安装 + 使用入门指南，建议收藏

Claude Skills 是 Anthropic 推出扩展 Claude 功能的模块化能力，每个 Skill 包含指令、元数据和可选资源（脚本、模板），Claude在运行时会自动使用这些资源。

原创 Claude Code 最佳实践：50 个实用技巧

在。

原创 用 Docker 部署 Openclaw，原来如此简单。

本文主要通过介绍 Docker 部署 OpenClaw 的需要配置说起，简单的过了一下部署的流程，在 docker 中部署 OpenClaw 是比较简单高效的。从 openclaw 火爆我们已经写了不少文章，有出识别 openclaw 用自己的闲置的 clawbot，然后是用 cloudflare 部署 moltbot 的 moltworker, 以及 目前的 docker 部署的本地 openclaw,一步步见证了 openclaw 的改名和实践。在智谱的后台创建一个 token 即可。

原创 它真的把搭建AI Agent说的好清楚

想入门大模型(LLM)却不知道从哪开始?拒绝焦虑，按图索骥~~因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 保姆级教程：手把手教你在Windows下安装OpenClaw,并通过飞书与其交互干活

上面重试后，未报“spawn npm ENOENT”错误，但是提示找不到'@larksuiteoapi/node-sdk'的模块，可通过如下命令安装（若提示其它模块同样手动再安装一下），注意该命令需在“C:\Users\Administrator\.openclaw>”目录下执行，在浏览器上打开带有 token 的链接，在聊天窗口中输入内容，若正常回应，则表示 openclaw 已成功安装，并可通过云模型提供服务，如下图。将回调也配置为“使用 长连接 接收回调”，并添加“卡片回传交互”的回调，如下图。

原创 OpenClaw 多 Agent 协同开发指南

专业分工- 每个 Agent 有明确角色任务隔离- 独立工作区灵活协作- 支持串行、并行持续记忆- 每个 Agent 有自己的记忆易于扩展- 随时添加新角色openclaw sessions_spawn --agent-id productmanager --task "帮我分析需求"从0到1！想入门大模型(LLM)却不知道从哪开始?我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!拒绝焦虑，按图索骥~~​。

原创 深入RAG架构：分块策略、混合检索与重排序的工程实现

把一个RAG系统从Demo做到生产，中间要解决5个问题。最初的版本就是标准版：全量文档 embedding，向量检索，LLM生成。演示没出过问题，但是翻车发生在数据留存政策的时候，因为系统召回了两段2废弃条款和一段聊"员工留存"的HR文档，然后把这三段内容揉成了一个看似完整实则全错的回答。这不是检索的问题，也不纯粹是模型的问题。从分块方式到搜索策略，从排序逻辑到异常兜底，每一层都藏着独立的故障模式。

原创 动手学习大模型-概述篇

本文作为整个系列的开篇，先带大家过一遍大模型领域的主体知识，同时规划后续的详细学习计划。在阅读过程中遇到不理解的地方不必纠结，在后续实践课程中遇到了会有详细的解释。

原创 Code Agent 时代：有人提效 30%，有人提效 300%

Code Agent 出现之前，程序员之间的差别可能不那么明显，即使再厉害的程序员，要实现一个功能，也有很多时间要花在编码上，而编码的速度是有一个上限的。而有了 Code Agent 之后，程序员之间的差别将成倍拉大，当有的人满足于使用 Code Agent 从编码工作中解放出来，多了一些空闲时间，有的人则同时开发多个功能，将自己的效率提升好几倍。如果只把 Code Agent 当做一个更快的代码生成器，只是有了更好的辅助工具。而如果使用了并行开发流程，一个人能干之前好几个人的事情。

原创 从0-1吃透Prompt、Agent、Skill、MCP到底啥区别？

想入门大模型(LLM)却不知道从哪开始?拒绝焦虑，按图索骥~~因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 Skills搭建全流程，看完你的Skills就牛了！存一下吧！

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 Agent 时代的管理思维：结果、负荷与上下文

在 Agent 时代，人的价值非但没有消失，反而变得更加核心。你不再是一个疲于奔命的纯粹执行者（Coder/Prompt Writer），你被推向了指挥者（Orchestrator）的位置。你的杠杆率正在发生质变：你可以用语音 2分钟把指令讲清楚，然后让一整个 Agent 团队自主并行忙活 45 分钟处理数百个文件，全程无需盯防。但这种杠杆能否撬动 10 倍的工程产出，取决于你的管理质量。你的杠杆，是能看透任务本质、定义“成功”的眼光；是能合理拆解问题、管理 Agent 认知的逻辑；

原创 一文看懂19类AI Agent框架对比（详细拆解）

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 BookRAG：面向复杂文档的层次结构感知索引检索增强生成方法

BookRAG为复杂文档的智能问答提供了全新的解决方案，通过创新的文档原生索引和智能体检索机制，显著提升了检索准确性和问答质量。对于需要处理大量结构化文档的企业、研究机构和投资者而言，BookRAG代表了文档智能化的重要技术方向。随着技术的不断成熟和应用场景的拓展，基于BookRAG的智能文档问答系统将在知识管理、决策支持、合规审查等领域发挥越来越重要的作用，为数字化转型提供坚实的技术支撑。从0到1！想入门大模型(LLM)却不知道从哪开始?

原创 从0到1吃透Agent、MCP、Skills的关系！

想入门大模型(LLM)却不知道从哪开始?拒绝焦虑，按图索骥~~因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 如何用9块9部署好大龙虾，给自己搞个24小时不关机的AI助理

我现在只需要在手机上发一句话，大龙虾就能帮我干活。帮我收集 Twitter 上最新的AI资讯，整理我的邮箱，给我发一份报告。这就是我春节假期的远程工作方案。今天把完整的搭建过程分享出来，包括云端部署和手机端接入，小白也能跟着做。

原创 统一图文视频检索：Qwen3-VL-Embedding/Reranker，把多模态“搜得更准”

或。当输入不再只有文本——还可能是图片、截图、视觉文档（VisDoc）、甚至视频——传统“只靠文本 embedding”的路线更容易撞上天花板。Qwen 团队在开源文本向的 Qwen3-Embedding / Qwen3-ReRanker 之后，进一步推出了面向多模态检索与跨模态理解的与：前者负责把“图文视频”统一成向量，后者负责把候选结果“再排一遍更准”。如果你正在做多模态 RAG、站内搜索、电商素材检索、内容推荐，这套组合拳值得认真看看。✨。

原创 2026年顶流OpenClaw，从部署到实战全攻略

原创 一口气搞懂AI热词：从LLM到Agent，你不再当小白！

是不是感觉全世界都在聊AI，但那些层出不穷的新词——LLMPromptAgentRAGMCPSkills——让你眼花缭乱，想加入讨论却不知从何说起？别担心，这不是你的问题。清空大脑，忘记所有你听过或没听过的术语。接下来，我用一个完整的故事，把这些概念串成一条清晰的逻辑线，保证你看完就能懂。一切，都从那个古老的起点开始。那时的模型还是个“小玩具”，能力有限。但研究者们发现，当模型的参数规模（你可以简单理解为“脑容量”）突破某个临界点后，它突然就“开窍”了，表现出了令人惊讶的智能。

原创 从0-1搭建商用AI Agent （保姆级教程）[特殊字符][特殊字符]

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 29岁普通后端，3个月成功转行Agent经验分享

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 别再以为索引=检索了！做好RAG必须跨越的认知分水岭

你一旦发现“命中不准但其实文档里有”，或者“模型回答总缺关键条件”，子块索引往往是性价比最高的增强手段：更准的召回 + 更完整的上下文，一般立竿见影。把最基础的检索-生成链路跑通，确保评估方式清楚：你要衡量的是最终任务效果（回答准确率、引用正确率、可追溯性、时延、成本），而不是单纯的相似度分数。做RAG（检索增强生成）的人，大多都经历过一个阶段：把文档丢进来，分块、嵌入、进向量库，然后就开始期待“只要检索到相关块，大模型就能答得很好”。一般建议父块是“可读的一屏上下文”，子块是“可精准命中的句群/小段”。

原创 AI大模型 + 数据治理：3 个核心场景、5 个落地陷阱与最佳实践

很多人一上来就纠结用GPT-4o还是文心一言，盲目追求大模型参数越大越好，却忽略了自身业务需求——比如只是处理简单的PDF提取，用轻量化大模型就能满足需求，无需花费高额成本用大参数模型。AI大模型的出现，终于给数据治理带来了破局点。认为大模型能解决所有数据治理问题，完全放弃人工干预——比如让大模型自动修复所有异常数据，不做人工校验，最后导致数据错误，影响业务决策。落地大模型+数据治理，不用追求全场景覆盖，优先选择“规则明确、重复性高、价值量大”的场景，快速实现从0到1的落地，再逐步迭代。

原创 AI产品经理终极手册！Agent从“能跑”到“落地”全流程解析（非常详细），看这篇就够！

AI PM 黄金判断法：如果一个大专实习生，按SOP能稳定做好，那这个场景就适合做Agent。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

原创 从0到1：有赞AI客服的实践路径与落地思考

从行业趋势来看，由大模型驱动的智能客服系统，正在对传统客服工具进行深度变革。在线客服的工作有着较高的重复性，降本增效一直是客服工具提供给商家的最重要价值之一。基于大模型的智能客服，产品能力和用户体验得到提升，同时搭建和运维成本大幅下降。AI Agent的应用使智能客服产品的成本更低，效率更高。有赞是一家提供电商SaaS服务的平台，商家对于客服系统存在较大需求。在大模型刚刚兴起之时，我们便开始关注该领域。自25年年初起，我们在这一领域投入了大量精力。

原创 为什么Skills和Agent对AI产品经理很重要？

如果你在面试的时候被问：此刻大火的，你怎么看？或者：如果用来解决 XX 场景的 XX 问题，你会怎么做？你会如何应答？这两个应该此刻以及接下来几个月 AI 产品经理这个岗位，必问面试题。反过来，对求职者来说，这俩问题也可以用来验证求职公司是否在正确的方向上、有没有跟得上趋势、是不是真的懂 AI。(如果这俩问题一个都没问，就说明，emmmm，负责人大概率离线了……或者还没完成 2025 年的 KPI？如果你对这两个概念，有非常深的理解，那么你可以直接去投简历了；

原创 一文深度解析：深度分析DeepAgents如何利用skills和系统提示词完成深度分析

在学习agent的过程中，很多小伙伴在理解深度分析如何利用skills完成复杂的分析的任务的时候，一直处于懵懂的状态，很难以理解，本文基于一个开源项目代码来解析DeepAgents如何利用系统提示词来调用skills和工具完成任务的。而且我们通常也会遇到一个问题：处理简单任务时表现出色，但面对需要多步骤规划的复杂任务时，要么中途迷失方向，要么输出质量断崖式下跌？这就像。

原创 挺意外的，Agent长期记忆潜力被AMemGym挖出来了

AMemGym的意义，不仅仅是提出了一个新的评测工具。它是对AI助手记忆能力评估和优化方式的一次范式转换：从静态的、事后的、脱离交互的评估，转向动态的、在线的、贴合交互的评估与训练。长期记忆，是AI迈向真正个性化、持续化服务的基石。AMemGym挖出的，或许正是这块基石的第一个可靠蓝图。接下来的故事，值得期待。Agent · 目录从0到1！想入门大模型(LLM)却不知道从哪开始?我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!

原创 别再瞎学AI Agent了！这份全栈学习路线，从入门到商用一篇讲透

AI Agent，是能自主感知、规划、行动、反思的智能体。它和普通大模型对话的核心区别，是它有目标感，能自己拆解步骤完成任务，而不是被动响应你的每一句提问。Tools（工具），就是Agent的“手脚”。大模型有知识边界和能力边界，而工具能让它联网搜索、执行代码、查询数据库、发送邮件，突破自身的限制，完成真实世界的任务。AI Agent的学习，从来都不是靠零散的知识点堆砌，而是要有一套完整的、循序渐进的体系。

原创 构建AI Agent的最优学习路线总结：MCP、CrewAI和Streamlit

我们的 Study Assistant 遵循复杂的多层架构：🌐→ 🔄API Layer→ 🤖→ 📡→ 🛠️→ 🌍。

原创 2026最全大模型学习路线曝光！从零到Offer，保姆级攻略，让你少走99%的弯路（附全套大模型资源）

假如你从2026年开始学大模型，按这个步骤走准能稳步进阶。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。3个月即可成为模型大师，薪资直接起飞。接下来告诉你一条最快的邪修路线，阶段3:大模型Agent应用架构。阶段4:大模型微调与私有化部署。阶段2:RAG应用开发工程。