- 博客(1800)
- 收藏
- 关注
RSS订阅原创 告别AI“短期失忆“：Agent Skills让智能体拥有长期记忆，收藏必备的AI开发新范式
Anthropic推出的Agent Skills技术解决了AI智能体"短期失忆"问题，通过将复杂任务流程固化为可复用的"技能组件"，使AI能按需调用能力，无需重复训练。该技术采用三层渐进式加载机制，支持跨平台使用，并已形成完整生态系统。Agent Skills不仅提高了AI工作效率，更代表了将专业知识模块化、流程化、可复用化的思维方式转变，将成为AI时代个人和组织的核心竞争力。
2026-03-27 15:02:57
517
原创 从零开始学ReAct Agent：大模型智能体的运行机制与实现技巧（值得收藏）
ReAct Agent智能体以大模型为大脑、工具为手脚，通过"思考-行动-观察"流程处理任务。由于模型存在幻觉和意图识别不明确等问题，执行过程不稳定，可能出现工具不全、执行错误等问题。因此需要通过提示词指导模型处理复杂任务的方法，限制执行次数确保系统稳定性。大模型自身能力有限，人类需参与指导其复杂任务处理能力。
2026-03-27 15:01:18
415
原创 手把手教你打造生产级RAG系统：5个核心优化点（建议收藏学习）
文章详细介绍了将RAG系统从Demo提升到生产级别的5个关键优化步骤：1)智能分块，优化文档分块策略和元数据管理；2)混合搜索，结合语义与关键词检索；3)结果重排序，提高相关文档的准确性；4)添加护栏机制，防止模型编造信息；5)建立评估体系，持续监控系统性能。强调构建生产级RAG需要循序渐进，解决检索质量与异常处理问题。
2026-03-27 15:00:15
470
原创 AI Agent开发全攻略：从玩具应用到生产级大模型解决方案
文章讨论了AI Agent开发中面临的多租户存储挑战，提出了一种名为"Agent Bucket"的创新解决方案。该方案通过引入"ObjectSet"这一新层级，解决了传统对象存储在处理海量用户数据时的隔离、权限、计量等难题。Agent Bucket提供了原生隔离、权限控制、监控计量等能力，支持亿级用户管理，适用于代码仓库、企业相册、模型托管等多种场景，为AI Agent开发者提供了高效、可扩展的存储解决方案。
2026-03-27 14:54:18
411
原创 【技术干货】AI Agent记忆系统四层架构：让大模型实现长期记忆的工程实践
大语言模型的无状态性是Agent发展的根本障碍。作者提出Agent记忆四层体系：工作记忆（上下文窗口）、情景记忆（历史记录）、语义记忆（事实知识）和程序记忆（操作方法）。记忆系统通过写入、检索和遗忘机制实现持久化存储，使Agent能保持连续性。当前Mem0、Letta等方案已实现标准化，与MCP、A2A共同构成Agent完整能力框架。记忆作为独立工程层需刻意设计，不会随模型规模增长自动获得。
2026-03-23 22:03:39
494
原创 【建议收藏】大模型推理三大核心框架全解析：CoT、ReAct与ToT，AI Agent开发必备指南
文章解析大模型推理三大框架：CoT（线性单链推理）、ReAct（推理+行动闭环）和ToT（树状多分支探索）。CoT是基础推理范式，ReAct是AI Agent核心框架，ToT代表高阶推理方向。三者形成推理能力进阶体系，各有适用场景和优缺点。开发者可根据任务复杂度、成本预算选择合适框架，ReAct+CoT是目前工业界"黄金组合"。
2026-03-23 21:58:49
858
原创 必藏！大模型开发必知：Skill才是AI产品的核心，Agent只是容器
文章澄清了AI产品开发中的关键认知偏差：Skill而非Agent才是核心。Skill定义了Agent如何执行任务、达到什么标准，是标准化的任务执行模块；Agent仅作为Skill的运行容器。Skill设计成为AI产品经理的核心工作，需将业务任务拆解成清晰执行规范。理解Skill与Agent的正确关系，是打造高质量AI产品的关键，也是AI产品经理进阶的必经之路。
2026-03-19 19:15:00
1065
原创 【值得收藏】深入理解LangChain多智能体：5种架构模式与搜索智能体实战
文章介绍了多智能体系统(MAS)的概念及LangChain中的五种实现模式：Subagents、Handoffs、Skills、Router和Custom workflow。通过构建搜索智能体的实际案例，展示了基于LangGraph的工作流和基于多智能体工具调用的两种实现方式。多智能体系统的核心价值在于通过群体智能突破单智能体能力边界，适配复杂、动态、大规模的任务场景，实现"1+1>2"的协同价值。
2026-03-19 19:13:50
352
原创 收藏！一文搞懂Langchain：大模型应用开发的终极指南
文章介绍了Langchain这一大模型应用开发框架，详细解析其核心组件(agent、tools、memory、model等)的功能与使用方法。提供了完整的环境准备、安装配置和快速入门教程，通过实例展示如何创建和调用agent。该框架整合各大模型厂商接口，提供统一API，简化了大模型应用开发流程，特别适合希望快速构建智能助手的开发者学习使用。
2026-03-19 19:12:43
441
原创 Agent技术实战指南：解决ToB场景落地难题，让你的AI应用产生实际商业价值（收藏必学）
本文分析了Agent技术在ToB场景落地的挑战，指出ReAct框架的局限性及业务需求复杂性。作者提出优化方案：采用快慢思考模型结合、定义三类工具(函数类、交互类、Agent类)、设计多Agent协作机制和完善异常处理策略。强调Agent技术虽处孵化阶段，但通过技术优化可提升其在企业场景的商业价值。
2026-03-19 19:12:01
477
原创 解决Agent不稳定问题：Agent Skills技能详解，建议收藏学习
Agent Skills是教AI Agent"怎么做事"的标准化技能说明书，解决了Prompt难以复用和Tool不负责流程的问题。它提供明确的执行流程和输出标准，通过SKILL.md文件定义技能，采用渐进式加载机制节省Token。Agent Skills与MCP互补，前者解决"怎么用能力"，后者解决"能用什么能力"。开发者可从最小Skill开始，将常用Prompt升级为真正的Agent Skill，让AI Agent更像专业员工。
2026-03-19 19:11:04
585
原创 大模型RAG实战：从Demo到生产的5个级别，收藏级技术指南
文章介绍了将RAG系统从Demo升级到生产级的5个关键级别：智能分块解决文档切割问题，混合搜索结合语义和关键词检索，重排序提高结果相关性，添加护栏机制确保系统不编造答案。强调构建生产级RAG系统需循序渐进，从基础版本开始，根据用户反馈逐步改进，并通过测试用例持续评估系统性能。
2026-03-19 19:09:59
416
原创 为什么你的RAG系统效果不佳？11个组合策略助你提升准确率至94%【收藏必学】
本文分析了朴素RAG系统准确率低的问题，详细介绍了11种提高RAG系统准确率的策略，包括上下文感知分块、重排序、查询扩展等。作者通过组合这些策略，将系统准确率从60%提升至94%。文章提供了三种不同场景下的最佳组合方案和实施路线图，帮助开发者构建生产就绪的RAG系统，避免常见错误，实现从基础到专业化的渐进式改进。
2026-03-14 12:53:21
83
原创 收藏这篇就够了！一文详解MCP、RAG、Agent三大AI核心概念，小白秒变达人
本文解析AI三大核心技术：MCP作为"万能转换器"统一工具接口标准；RAG通过知识库检索解决AI"幻觉"问题；Agent作为智能体能主动理解任务并调用工具。三者形成"黄金三角"，使AI进化为真正的"智能助手"，大幅提升AI能力，为未来生活带来无限可能。
2026-03-14 12:52:19
160
原创 收藏必备！LangGraph工作流模式深度解析：从五种架构到子图设计，小白也能构建稳定AI系统
文章介绍了构建AI系统的Workflow模式，详解五种架构蓝图：提示词链式调用、并行化、路由、编排者-工作者和评估者-优化者模式。通过生成笑话示例展示了评估者-优化者模式的实现。文章还介绍了子图机制用于模块化复杂系统，支持状态隔离、团队协作和分形设计，提供了父图与子图的两种集成方式。掌握LangGraph可构建既具创造力又安全可控的智能体。
2026-03-14 12:50:31
393
原创 从零开始理解大模型核心架构：Function Call、Tool、MCP到Agent Skills的完整指南（建议收藏）
大模型应用的核心能力是内容生成和函数调用。文章解析了Agent、Skills、Tool和MCP的层次关系：Function Call是最底层能力；Tool是对Function Call的封装；MCP是统一工具调用协议；Skills是对Tool的进一步封装，便于非技术人员使用。Skills本质是代码模块化扩展，解决重复利用问题，提高大模型应用效率。
2026-03-14 12:26:59
239
原创 小白/程序员必看：AI Agent的7种形态完全解析，帮你轻松判断产品能力边界
本文系统解析了AI Agent的7种形态：对话式、检索增强、工具调用、工作流、多Agent协作、自主规划和端侧Agent。详细阐述了每种Agent的内部运作机制、适用场景和局限性，并提供了基于任务复杂度、自主性需求和隐私约束的选型三步法。文章强调，做AI产品选Agent形态应遵循"自主性够用就好，不要过度设计"的原则，大多数产品实际会混合使用多种Agent形态。
2026-03-14 12:25:31
392
原创 深入解析大语言模型智能体：核心架构与多智能体协作框架，值得收藏的深度指南
本文系统介绍了基于大语言模型(LLM)的智能体与传统AI智能体的本质区别，阐述了LLM智能体以语言为通用接口实现通用助手的能力。文章详细解析了七大核心组件：感知系统、大语言模型、规划系统、记忆系统、工具集成、行动执行和环境交互，并对比了AutoGen和CrewAI两种多智能体协作框架的设计范式，指出LLM智能体代表了AI发展的重要方向。
2026-03-14 12:09:38
394
原创 AgenticRAGTracer：首个LLM自动构建的Agentic RAG多跳推理诊断工具，小白也能轻松学习大模型评估方法
AgenticRAGTracer是首个由LLM自动构建的Agentic RAG基准测试工具，通过跳级感知诊断将推理过程拆解为多个可验证的步骤，精准定位失败节点。研究发现现有Agent存在"推理链扭曲"问题，无法合理分配推理步骤。该工具提供精细化调试能力，帮助研究者理解模型为何失败、在哪一步失败，推动Agentic RAG从"能用"走向"可靠"。
2026-03-14 12:05:31
313
原创 一文读懂AI智能体(Agent)：小白也能掌握的大模型应用新方向
AI智能体(Agent)是能够自主思考规划、调用工具完成目标任务的大模型应用。与传统聊天机器人不同，它强调AI的自主性，从能力层面可分为AI完成不同比例任务的模式，结构层面通常包括"大脑"(大语言模型)、"感知记忆"和"行动工具"三大核心组件。当前市场上产品如豆包、扣子等更偏向智能体创建平台，而真正具有高度自主性的智能体仍在发展中。理解智能体概念有助于我们更好地创建和应用AI工具，提升工作和生活效率。
2026-03-14 12:02:03
404
原创 智能体记忆详解：解锁大模型长时推理与持续学习能力
智能体记忆是AI大模型实现持续学习与长时推理的核心能力。文章从形式层面（词元级、参数记忆、潜在记忆）、功能层面（事实记忆、经验记忆、工作记忆）和动态层面（形成、演化、检索）系统解析了智能体记忆体系。这些记忆机制协同工作，使静态大模型转变为能够与环境交互、持续适应的自适应智能体，是实现AGI的关键技术基础。
2026-03-14 11:54:19
426
原创 收藏！彻底解决RAG系统效果不佳问题：这套组合策略让准确率飙升60%
文章分析了朴素RAG系统效果不佳的原因，介绍了11种提升性能的先进策略，包括上下文感知分块、重排序、查询扩展等。通过组合这些策略，作者将系统准确率从60%提升到94%。文章提供了三种有效组合方案：生产就绪堆栈、高准确率堆栈和领域专家堆栈，并给出实施路线图和实际应用案例，帮助开发者构建高效可靠的RAG系统。
2026-03-14 11:52:56
401
原创 告别传统RAG！使用Agent Skills构建智能知识库，小白也能轻松掌握【必藏】
本文介绍了Agent Skills在知识库检索中的应用，通过渐进式加载策略实现智能检索。相比传统RAG，它能避免预建向量库，实现更精准的本地知识检索，支持多文件格式和复杂查询。文章详细展示了实现方法、设计原则和优化技巧，帮助读者将现有文档库转化为智能知识检索系统，提供了一种轻量高效的Agentic RAG解决方案。
2026-03-09 20:58:57
494
原创 AI Agent：2026年AI生态核心概念完全指南
文章介绍AI Agent作为2026年AI生态核心概念，包含感知、规划、行动、记忆和反思五大组件。详细解析了A2A协议使不同Agent协作，MCP协议标准化工具调用，以及Agent Skills模块化能力。这些技术构成现代AI Agent基础架构，使其能处理复杂任务、自我反思和协作，大幅降低开发门槛并提升效率。
2026-03-09 20:57:51
554
原创 为什么你的智能体总是“左支右绌“？【珍藏指南】多智能体架构解决方案
文章指出，企业智能体应用中常见的"单体巨无霸"设计存在复杂性失控、专业度稀释和维护困难三大问题。作者提出多智能体微服务架构作为解决方案，将智能体系统设计成类似"团队"的协作模式，通过专业分工、中央调度器和标准化通信协议实现高效协作。这种架构能分解复杂度、促进专业深耕、提升可维护性并实现资产化沉淀，使智能体从"演示工具"真正转变为"生产力系统"。
2026-03-09 20:55:38
389
原创 【必学收藏】AI Agent系统架构详解：从感知到优化的六大核心模块，构建智能闭环
文章详细介绍了AI Agent系统的六大核心模块：感知模块(信息获取与处理)、决策规划模块(基于大模型的思考)、执行模块(工具调用)、专业大模型模块、记忆管理系统(分层存储)和反馈优化模块(自我完善)。通过金融数据分析智能体的案例分析，展示了这些模块如何协同工作形成智能闭环，并探讨了未来AI Agent架构的模块化、边缘智能融合、多Agent协作等发展趋势。
2026-03-09 20:54:42
417
原创 向量数据库与大模型：AI技术人员的必备知识，建议永久收藏
文章介绍了非结构化数据处理的挑战，以及Embedding、向量和向量数据库的核心概念与应用。Embedding是将非结构化数据转换为向量的过程，向量是AI理解世界的数据形式。向量数据库专门用于存储和查询向量数据，具有相似性搜索和性能提升的优势，广泛应用于NLP大模型增强、图像识别、视频处理等AI场景，是AI时代的核心技术。
2026-03-09 20:53:21
333
原创 AI Agent核心技术与实践：2026年AI开发新趋势，收藏学习必备
文章介绍了AI Agent作为2026年AI生态核心概念，它具备自主决策、规划和执行能力，能处理复杂任务。详细阐述了Agent的五大核心组件（感知、规划/推理、行动、记忆、反思/评估），以及A2A协作协议、MCP标准化工具调用和Agent Skills模块化能力。这些技术共同构成了现代AI Agent的基础架构，使其能够像人类员工一样工作，并在2026年大幅降低了开发门槛，提高了安全性和可控性。
2026-03-03 19:16:09
562
原创 【收藏必备】Skills vs Agent全解析：程序员如何用Skills解放双手，提升开发效率
Skills是封装特定技术任务的标准化可复用模块，与Agent形成"任务执行单元"与"任务调度者"的互补关系。其核心价值在于解决重复开发、流程不规范、Prompt调试繁琐三大痛点。文章介绍了Skills在代码评审、运维部署、数据库管理和AI开发四大应用场景，并提供了先复用再定制、聚焦单一痛点、适配团队技术栈、结合CI/CD等最佳实践，帮助技术从业者提升效率，减少重复工作。
2026-03-03 19:15:20
592
1
原创 收藏必备！大模型辅助开发的极简实践：文档驱动，自然演进
文章讲述了团队从设计复杂AI辅助开发架构到简化为文本驱动的过程转变。核心观点是：LLM本身就是最好的解释器，不需要复杂架构；AI工程化应采用"文档即记忆"原则，通过AGENTS.md文件作为人机共用的入职手册；实践应遵循"先跑起来，自然演进"的理念，让需求驱动演进而非预设架构；通过单仓库模式实现团队知识共享，形成"复合工程"，让每次实践产生复利，最终让AI成为团队的新成员。
2026-03-03 19:14:14
394
原创 大模型记忆工程完全指南：从架构设计到产业落地
本文系统剖析大模型记忆工程的核心技术，包括记忆分层管理（参数化、激活、明文记忆）、多粒度调度与记忆脑图组织。MemOS框架通过分层建模与智能调度解决大模型短时遗忘、知识碎片化等问题，显著提升个性化与推理能力。作者团队已开源MemOS框架并建立OpenMem社区，为金融、工业等场景提供"有记忆的AI"解决方案，助力大模型从参数堆砌向记忆增强演进。
2026-02-26 13:15:37
714
原创 【收藏必学】Agent元年实战：从技术框架到企业落地的完整指南
本文分析了Agent技术在企业落地面临的挑战，详细介绍了ReAct和Plan-and-Execute两种主流框架及其局限性。作者提出基于ReAct框架的优化方案，包括快慢思考模型结合、"泛化"工具定义、Multi-Agent协作机制和异常处理策略，解决了Agent在复杂业务场景中的稳定性问题。同时探讨了多意图处理和意图跳转等关键技术难题，为Agent技术从概念走向实际应用提供了实践参考。
2026-02-26 13:13:58
387
原创 【必学收藏】大模型实战：Transformer+LSTM时间序列预测完整代码实现
文章详细介绍了Transformer与LSTM融合模型在时间序列预测中的应用。Transformer通过自注意力机制捕捉长距离依赖，LSTM处理局部时序特征，二者结合实现全局与局部互补。文章提供了完整的Python代码实现，包括数据生成、模型构建、训练过程和结果可视化，通过损失曲线、预测对比图等展示模型性能。这种融合方法为时间序列预测提供了有效解决方案，适合小白学习和收藏参考。
2026-02-26 13:12:43
618
原创 【收藏】深入浅出Transformer：大模型入门必学核心算法
Transformer是基于自注意力机制的深度学习模型，采用Encoder-Decoder架构。核心技术包括自注意力机制、多头注意力、位置编码等，通过残差连接和层归一化稳定训练。相比RNN，Transformer能高度并行计算，有效捕捉长距离依赖，具备强大的特征提取能力。作为BERT、GPT等大模型的基础架构，Transformer已成为现代AI领域的核心技术，展现出强大的"涌现"能力和可扩展性。
2026-02-24 18:42:14
592
原创 【干货收藏】深入浅出ReAct Agent：让AI边思考边行动的智能体开发实践
本文深入解析了ReAct Agent的核心原理与工程价值，详细阐述了"观察-思考-行动"的工作模式。通过对比传统编程，展示了ReAct Agent在处理复杂任务时的灵活性与优势。文章介绍了历史上下文、环境信息、LLM推理、工具调用等关键要素，并通过实例与伪代码清晰展示了实现方法，帮助开发者快速掌握从"写流程"到"造智能体"的关键跃迁。
2026-02-24 18:41:26
381
原创 大模型智能体开发必备：Agent Skills框架全解析，收藏级学习资源
文章系统介绍了支持Agent Skills开发范式的主流智能体框架，重点解析动态工具加载与渐进式披露能力。详细对比了LangChain、LangGraph、AutoGen、CrewAI、Claude Agent SDK和LlamaIndex等框架的核心特点与适用场景，提供选型建议和技能开发最佳实践。这一范式通过智能推理时动态加载必要技能，而非一次性加载全部能力，有效解决工具过多导致的"降智"问题，是构建高性能智能体的关键技术方向。
2026-02-24 18:40:34
846
原创 收藏这篇就够了！AI Agent、Skills、MCP和A2A：构建智能体系统的四大支柱
本文深入解析AI领域的四大关键概念：Agent作为自主决策与执行的"大脑"；Skills作为原子化能力封装模块；MCP作为连接外部世界的标准化接口；A2A作为支持Agent间协作的协议。这四者构建了从原子能力到多智能体协同的完整技术栈，通过分层架构实现能力封装、可信调用、自主决策与协同编排，为AI系统的规模化落地提供坚实支撑，共同推动Agent生态系统向更开放、高效的方向发展。
2026-02-23 20:27:51
970
原创 【2026必看】构建智能Agent：从架构设计到A2A协作与MCP协议的完整指南
本文详解AI Agent生态系统核心概念，包括具备感知、规划、行动、记忆和反思能力的闭环架构，Google主导的A2A协作协议实现Agent间任务分工，Anthropic的MCP标准化协议统一工具调用接口，以及将能力模块化的Agent Skills概念。这些技术共同构成2026年AI Agent开发基础，大幅降低开发门槛，提升安全性和可控性，是开发者必学收藏的实用指南。
2026-02-23 20:26:47
739
原创 收藏必备：一文掌握LangChain多智能体系统架构与应用实战
文章介绍了多智能体系统(MAS)的基本概念和LangChain中的五种实现模式(Subagents、Handoffs、Skills、Router、Custom workflow)，并通过搜索智能体案例展示了基于LangGraph的工作流和基于LangChain的双智能体系统实现。多智能体系统通过群体智能突破单智能体能力边界，适合处理复杂、动态、大规模任务场景。
2026-02-23 20:25:31
597
原创 AI时代就业变革：四大效应与五大新型职业，未来职业增长三大方向解析！
AI对就业影响呈现增强、替代、补充和创造四大效应，当前替代效应快于创造效应，但通过劳动力再培训可缓解失业风险。AI催生五类新职业：使能者（技术研发）、协作者（人机协作）、治理者（伦理安全）、推广者（市场应用）和支持者（运营保障）。这些职业呈现深度细分、跨界融合、人机协作和动态流变特征。未来职业增长将集中在AI原生、服务业和灵活就业领域，建议个人主动学习AI技能，企业以人为本转型，社会构建就业友好环境，共同应对AI带来的就业变革。
2026-02-19 12:39:43
641
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