<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[bugyinyin的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/bugyinyin</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; bugyinyin]]></copyright><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159546587</link><guid>https://blog.csdn.net/bugyinyin/article/details/159546587</guid><author>bugyinyin</author><pubDate>Fri, 27 Mar 2026 15:02:57 +0800</pubDate><description><![CDATA[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。
]]></description><category></category></item><item><title><![CDATA[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）]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159546549</link><guid>https://blog.csdn.net/bugyinyin/article/details/159546549</guid><author>bugyinyin</author><pubDate>Fri, 27 Mar 2026 15:01:18 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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）]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159546496</link><guid>https://blog.csdn.net/bugyinyin/article/details/159546496</guid><author>bugyinyin</author><pubDate>Fri, 27 Mar 2026 15:00:15 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[AI Agent开发全攻略：从玩具应用到生产级大模型解决方案]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159546313</link><guid>https://blog.csdn.net/bugyinyin/article/details/159546313</guid><author>bugyinyin</author><pubDate>Fri, 27 Mar 2026 14:54:18 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[【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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159396007</link><guid>https://blog.csdn.net/bugyinyin/article/details/159396007</guid><author>bugyinyin</author><pubDate>Mon, 23 Mar 2026 22:03:39 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[【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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159395898</link><guid>https://blog.csdn.net/bugyinyin/article/details/159395898</guid><author>bugyinyin</author><pubDate>Mon, 23 Mar 2026 21:58:49 +0800</pubDate><description><![CDATA[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"。]]></description><category></category></item><item><title><![CDATA[必藏！大模型开发必知：Skill才是AI产品的核心，Agent只是容器]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159251093</link><guid>https://blog.csdn.net/bugyinyin/article/details/159251093</guid><author>bugyinyin</author><pubDate>Thu, 19 Mar 2026 19:15:00 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[【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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159251084</link><guid>https://blog.csdn.net/bugyinyin/article/details/159251084</guid><author>bugyinyin</author><pubDate>Thu, 19 Mar 2026 19:13:50 +0800</pubDate><description><![CDATA[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。
]]></description><category></category></item><item><title><![CDATA[收藏！一文搞懂Langchain：大模型应用开发的终极指南]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159251066</link><guid>https://blog.csdn.net/bugyinyin/article/details/159251066</guid><author>bugyinyin</author><pubDate>Thu, 19 Mar 2026 19:12:43 +0800</pubDate><description><![CDATA[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。
]]></description><category></category></item><item><title><![CDATA[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）]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159251056</link><guid>https://blog.csdn.net/bugyinyin/article/details/159251056</guid><author>bugyinyin</author><pubDate>Thu, 19 Mar 2026 19:12:01 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[解决Agent不稳定问题：Agent Skills技能详解，建议收藏学习]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159251038</link><guid>https://blog.csdn.net/bugyinyin/article/details/159251038</guid><author>bugyinyin</author><pubDate>Thu, 19 Mar 2026 19:11:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[大模型RAG实战：从Demo到生产的5个级别，收藏级技术指南]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159251024</link><guid>https://blog.csdn.net/bugyinyin/article/details/159251024</guid><author>bugyinyin</author><pubDate>Thu, 19 Mar 2026 19:09:59 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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】]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159046540</link><guid>https://blog.csdn.net/bugyinyin/article/details/159046540</guid><author>bugyinyin</author><pubDate>Sat, 14 Mar 2026 12:53:21 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159046523</link><guid>https://blog.csdn.net/bugyinyin/article/details/159046523</guid><author>bugyinyin</author><pubDate>Sat, 14 Mar 2026 12:52:19 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159046287</link><guid>https://blog.csdn.net/bugyinyin/article/details/159046287</guid><author>bugyinyin</author><pubDate>Sat, 14 Mar 2026 12:50:31 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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）]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159046263</link><guid>https://blog.csdn.net/bugyinyin/article/details/159046263</guid><author>bugyinyin</author><pubDate>Sat, 14 Mar 2026 12:26:59 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159046118</link><guid>https://blog.csdn.net/bugyinyin/article/details/159046118</guid><author>bugyinyin</author><pubDate>Sat, 14 Mar 2026 12:25:31 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159046041</link><guid>https://blog.csdn.net/bugyinyin/article/details/159046041</guid><author>bugyinyin</author><pubDate>Sat, 14 Mar 2026 12:09:38 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159045998</link><guid>https://blog.csdn.net/bugyinyin/article/details/159045998</guid><author>bugyinyin</author><pubDate>Sat, 14 Mar 2026 12:05:31 +0800</pubDate><description><![CDATA[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"。]]></description><category></category></item><item><title><![CDATA[一文读懂AI智能体(Agent)：小白也能掌握的大模型应用新方向]]></title><link>https://blog.csdn.net/bugyinyin/article/details/159045889</link><guid>https://blog.csdn.net/bugyinyin/article/details/159045889</guid><author>bugyinyin</author><pubDate>Sat, 14 Mar 2026 12:02:03 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item></channel></rss>