.摘星.-CSDN博客

原创当AI学会分工合作：用MCP和A2A协议搭一套多智能体系统，跑了跑真实业务流程

我们用LangGraph的StateGraph来定义工作流。首先定义一个共享状态类，三个Agent通过这个状态传递信息。# workflow.py - LangGraph 多智能体工作流# 定义共享状态——三个 Agent 通过这个状态传递信息messages: Annotated[list, add_messages] # 对话历史raw_order: str # 原始订单文本parsed_order: dict # 解析后的结构化订单stock_status: dict # 库存查询结果。

2026-04-12 08:38:20 16

原创 744B参数只激活5%，这个纯国产训练的AI在编程上追平了Opus 4.6

GLM-5.1的意义不只是又一个跑分好看的模型。国产算力闭环已经跑通。从芯片（昇腾910B）到框架（MindSpore）到模型（GLM-5.1），一条完全不依赖英伟达的完整技术链路被验证了。这不是PPT上的规划，而是一个744B参数的旗舰模型实实在在跑出来的结果。对国内AI产业的自主可控来说，这是一个实质性的里程碑。AI正在从"回答问题"转向"交付项目"。8小时长程任务能力听起来像是Benchmark上的一个数字，但它背后的含义是——AI第一次能够像初级工程师一样，接一个需求然后独立交付。

2026-04-11 08:37:45 306

原创阿里刚把通义升成事业部，我就花0.15元用它造了个官网——Qwen3.6-Plus深度拆解

Qwen3.6-Plus的出现，加上通义升格为事业部的组织调整，释放的信号很清晰：中国AI编程赛道正式进入深水区。竞争的焦点不再是谁的参数多、谁跑分高，而是谁能让开发者真正用起来、谁能在实际编程场景中交付可用代码。ATH架构的"自检回路"是一个有意思的设计方向。它不追求一次生成完美代码，而是接受"生成→验证→修复"的迭代模式。这种思路其实跟人类程序员的工作方式很像——很少有人能一次写出零bug的代码，但好的程序员会写测试、跑CI、修bug。ATH把这套流程内置到了模型层面。不过也要保持清醒。

2026-04-10 08:37:43 328

原创上百台机械臂同台“裸考“：具身智能的VLA大模型正在重写机器人行业的游戏规则

具身智能无疑是目前AI领域最有想象力的方向之一。VLA大模型的出现，让机器人第一次有了通用的"大脑"，不再需要为每个任务从零编程。从EAIDC的"裸考"赛场到银河通用的太空舱，从OpenVLA的开源生态到Gemini Robotics的工业级方案，2026年的具身智能正在以超出预期的速度从实验室走向现实。关注两个词——数据和场景。王田苗教授说得对，具身智能的核心突破口是垂类模型和数据。谁掌握了特定场景的高质量操作数据，谁就能训练出真正能用的模型。

2026-04-08 08:37:45 675

原创一个57MB的map文件，怎么就把Anthropic的底牌全掀了？

现代前端和Node.js项目普遍使用TypeScript或者经过webpack/esbuild等工具打包压缩后的JavaScript代码。人类基本读不懂。source map的出现就是为了解决这个问题——它是一个映射文件，记录了压缩后的代码和原始源码之间的逐行对应关系。浏览器和调试工具拿到source map后，就能把压缩代码还原成你最初写的TypeScript。],"// 这里是 query.ts 的完整原始源码...","// 这里是 Read.ts 的完整原始源码...",

2026-04-07 09:50:49 228

原创 48小时连发5款大模型，2026年AI圈的卷法已经超出你想象

48小时五款模型齐发，看起来是"卷"，但往深处想，这是行业成熟的标志。当每家公司都拿出了自己的看家本领——谷歌的开放生态、微软的效率优先、智谱的垂直深耕、阿里的商业落地——说明大模型技术已经从"有一个就牛"的阶段，进入"各有所长、百花齐放"的阶段。对开发者来说，这是好事。选择多了，成本降了，门槛低了。但随之而来的挑战是：你需要在这么多模型中做出正确的选择，并且学会组合它们的优势。未来的AI开发能力，不在于你会不会调一个模型的API，而在于你能不能把不同模型的能力像搭积木一样拼成完整的解决方案。

2026-04-06 11:04:30 1035

原创一个60MB的.map文件，扒光了Anthropic 51万行代码——Claude Code泄露事件深度拆解

先给不太熟悉的读者补个课。.map文件）是前端工程化中的标准配置，它的作用是将构建后压缩、混淆的生产代码映射回原始源码。开发时开启Source Map，浏览器DevTools就能显示原始文件名、变量名、断点位置，方便调试。问题在于，Source Map里存的是完整的原始源码——变量名、函数名、注释、目录结构，一个不落。它就像一个压缩包的解压密钥，有了它，混淆代码分分钟就能还原成可读的开发版本。// tsconfig.json 中开启 sourceMap。

2026-04-04 10:43:04 429

原创接入智谱！零代码打造“智能学习助手“：我的智能体构建全流程实录

作为一名每天都要处理大量学习资料的技术爱好者，我有一个困扰已久的痛点：学习资源分散、知识体系混乱、复习效率低下。几周前朋友向我推荐了Nexent 智能体平台，说是可以直接用自然语言描述需求，自动生成智能体，不需要写代码，也不需要复杂的流程编排。这一听就戳中了我的痛点——我想要的就是一个能帮我整合学习资料、根据知识体系问答、自动生成复习计划、能联网搜索最新资料的智能学习助手。于是，我花了整整一个周末，泡在 Nexent 平台里，从零开始构建了这个智能体。

2026-03-30 17:46:56 406

原创即刻创作：Claude Code 集成 GLM-5 构建互动小说创作工具

在生成式AI快速演进的今天，互动小说（Interactive Fiction）作为一种融合叙事性与用户参与感的数字内容形式，正迎来新的创作范式。传统互动小说依赖作者手动编写大量分支剧情，开发成本高、迭代慢。而借助大语言模型（LLM）的上下文理解与生成能力，配合流式响应机制，可以显著降低创作门槛并提升内容动态性。本文围绕如何使用Claude Code与 GLM-5 API 构建一个轻量级但功能完整的互动小说创作工具展开。Claude Code 是Anthropic推出的AI编程助手。

2026-03-28 21:59:37 417

原创玩转Qclaw，基于智谱GLM-4.7的自动化周报生成器实战教程

每周写周报是职场人的"必修课"，但重复的整理工作总是让人头疼。本文将带你从零开始，使用智谱GLM-4.7大模型 + Qclaw，打造一个全自动化的周报生成系统，让AI帮你搞定繁琐的总结工作！智谱AI（Zhipu AI）是国内领先的大模型研发公司，专注于认知智能大模型的研究与应用。其打造的智谱开放平台（open.bigmodel.cn）为开发者提供了一站式的大模型API服务。│ Qclaw周报生成器完整流程 ││ ││ 第一步：安装Qclaw ││ ├─ 下载安装包 ││ ├─ 安装并启动 │。

2026-03-25 09:22:05 528

原创 openJiuwen实战：用Agent自演进框架打造代码调试助手

openJiuwen Agent 自演进框架是业内首个生产级 Agent 自动优化系统，提供了从数据准备到模型优化的完整能力。核心特性特性描述Operator 抽象统一的可优化执行单元接口（LLM/Tool/Memory）Trajectory 自动提取从 Session 自动收集执行轨迹，无需侵入核心代码多维度优化同时优化提示词、工具描述、记忆选择策略灵活评估支持精确匹配、LLM 判别、自定义指标Checkpoint 管理训练断点保存与恢复，支持长任务训练并行执行并发推理和评估，提高训练效率。

2026-03-12 14:43:05 25231 1

原创 openJiuwen实战：用ReActAgent打造多模态学习伴侣智能体

使用ReActAgentModelSession等框架核心组件通过统一管理模型调用通过框架的统一注册和管理工具基于框架的分层架构，支持扩展为 Workflow、多 Agent 协作等复杂场景参考资源。

2026-03-12 14:42:11 26128

原创 FAIR plus 机器人全产业链接会，链动全球智能新机遇！FAIR plus 机器人全产业链接会，链动全球智能新机遇

在此背景下，深圳市机器人协会打造了“FAIR plus机器人全产业链接会”，FAIR plus是一个专注于机器人全产业链技术和开发资源的平台，也是全球首个机器人开发技术展，以供应链和创新技术为切入点，推动全球具身智能机器人产业的发展。通过学术会议、技术标准、社区培育、供需对接等方式，创造人工智能+机器人各产业链环节的开发、产品、工程、方案等技术人员，以及有意引入机器人的场景方相关工艺、设备、信息技术人员线下见面的机会，达成合作，以有效促进机器人向智能化方向发展，连同提升产业整体能力的建设和配置。

2026-03-11 14:48:14 67

原创 AR 眼镜拯救社恐：我用 Kotlin 写了个拜年提词器

在动手之前，我对比了几种方案：方案优点缺点手机备忘录简单太明显，像在念稿子智能手表隐蔽屏幕太小，翻页困难蓝牙耳机完全隐蔽只能听不能看，容易漏听AR 眼镜抬眼即见，完全隐蔽需要开发 APPAR 眼镜的优势太明显了：你只是在"看远方"，别人根本不知道你在看提词器。而且 Rokid 提供了完善的 SDK，支持文字投射和语音播报，简直是为此场景量身定做的。Android 原生开发（Kotlin）Material Design 3 组件库Rokid CXR-M SDK（眼镜通信）

2026-03-08 14:55:40 549

原创 AR 眼镜进厨房：手油腻也能看菜谱的春节小应用

Rokid 为开发者提供了几套 SDK，针对不同的开发场景：SDK目标平台适用场景CXR-M SDKAndroid/iOS 手机端手机控制眼镜，数据协同CXR-S SDKYodaOS-Sprite 眼镜端眼镜端独立应用开发Unity/UE3D AR 场景开发我的需求很明确：手机端选择菜谱，眼镜端显示步骤。这正好是 CXR-M SDK 的职责范围——它负责手机与眼镜之间的通信协同。这次开发体验还不错。CXR-M SDK 整体比较好用，文档基本够用，就是有些细节不够清晰，需要自己踩坑。

2026-03-04 22:31:02 461

原创玩转 Ling Studio：Ring-2.5-1T 思考模型从入门到精通的6个实用技巧

随着人工智能技术的飞速发展，大型语言模型已成为推动数字化转型和智能化创新的核心引擎。百灵大模型 Ring-2.5-1T 作为全球首个开源的万亿级深度思考模型，凭借其卓越的推理能力、长程执行能力和高效生成能力，正在重新定义人机交互的边界。本文将深入探讨 Ling Studio 平台上 Ring-2.5-1T 模型的六大核心实用技巧，包括网页生成技能、灵光风格回复、联网搜索、时间查询、天气查询以及系统提示词与参数调优。

2026-02-27 11:39:12 10130

原创解锁RAG检索增强生成：三大关键策略让AI回答更精准、更懂你的数据

通过本文三大策略的协同应用，我们实现了RAG系统的精准度跃升查询优化：让问题表达更贴近知识库语言模式文档处理：构建高质量、易检索的知识结构融合机制：确保最相关信息输入生成环节在医疗、金融、法律等高精度要求场景中，这些策略带来了30%以上的效果提升。

2026-02-26 08:01:03 3826 2

原创大语言模型(Large Language Models，LLM)如何颠覆未来：深入解析应用、挑战与趋势

交互革命：从命令行到自然语言界面知识民主化：专家级能力普惠化创造力重构：人机协同创作成为主流但技术狂奔中需警惕：⚠️ 数据主权归属问题⚠️ 算法偏见固化风险⚠️ 就业结构冲击波开放问题当LLM通过图灵测试时，法律主体资格如何界定？如何防止模型知识垄断导致的技术霸权？在AI生成内容泛滥时代，如何守护人类创造力本源？在亲自部署了17个企业级LLM应用后，我发现最大的瓶颈不再是技术本身，而是人类组织适应变革的速度。那些将AI伦理纳入技术架构的公司，正获得可持续的竞争优势。

2026-02-25 08:01:05 6369 3

原创 RAG大升级：不再只是文档问答，如何用它构建下一代AI知识中枢？

本次升级实现了RAG从被动工具到主动中枢多源数据融合的统一索引层LLM赋能的智能路由决策事件驱动的主动服务框架讨论问题如何平衡路由决策的复杂度与响应延迟？是否需要引入轻量级决策模型？当主动推送内容出现错误时，应采用何种即时修正机制？在医疗、法律等高风险领域，知识中枢的输出责任如何界定？行动建议：立即在测试环境部署路由决策模块（第4.3节代码），用A/B测试对比传统方案与升级方案的响应质量差异。欢迎在评论区分享你的测试结果！🚀。

2026-02-24 08:01:07 6160 6

原创 Agent大爆发：为什么说AI智能体正在颠覆下一代软件架构？

AI智能体（Agent）是具备环境感知自主决策和目标驱动能力的程序实体。与传统程序的本质差异在于：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;传统程序固定输入输出智能体环境感知目标分解工具调用AI智能体正在催生软件架构的范式革命：从流程驱动转向目标驱动，从人工编排升级为自主协作。响应维度：毫秒级实时决策（如金融风控场景）韧性维度。

2026-02-23 08:01:01 6388 7

原创突破界限！多模态AI如何重塑人机交互的未来？

多模态AI（Multimodal AI）指能同时处理并关联两种以上信息模态（如文本、图像、音频、视频、传感器数据）的人工智能系统。痛点类型单模态局限多模态解决方案信息残缺文本无法描述视觉细节跨模态对齐技术歧义解析“苹果”指水果还是公司？视觉上下文 grounding交互僵化纯语音忽略表情反馈多通道意图融合fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;

2026-02-22 08:01:05 7692 35

原创大语言模型（LLM）的军备竞赛：2026年，我们离真正的AGI还有多远？

通用性：跨领域任务迁移能力自主目标达成：无需人类干预的问题解决持续学习：动态环境中的知识演进元认知：对自身思维的监控与调整。

2026-02-21 08:01:02 1100 1

原创解锁Agent智能体：下一个万亿市场，谁在掌控决策“大脑”？

不同于传统AI模型的被动响应，Agent具备三大核心能力：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;强化学习环境感知自主决策行动执行结果评估技术原理通过感知-决策-行动循环（PDCA Cycle）实现持续学习。感知：读取患者生命体征+最新临床指南决策：生成治疗建议并验证药物相互作用行动：输出结构化诊疗方案。

2026-02-20 08:00:58 3886 6

原创 Transformer架构进化：从BERT到GPT-4，大语言模型如何重塑AI技术栈

本文深入解析Transformer架构从2017年诞生至今的关键进化路径，聚焦与两大技术分支的碰撞与融合。通过对比分析GPT-3.5、ChatGPT、GPT-4三代模型的架构革新，结合HuggingFace实战案例，揭示大语言模型如何重构AI开发范式。文章包含5个代码块演示预训练、微调、部署全流程，2张架构对比图及1张技术栈变革表，助开发者掌握新一代AI基础设施构建方法论。

2026-02-19 08:01:00 6434 9

原创 RAG实战解密：三步构建你的智能文档问答系统（附开源方案）

RAG（检索增强生成）是解决大模型"幻觉问题"的革命性架构。其核心思想是将检索模块与生成模块解耦：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;用户问题检索模块文档数据库相关文档片段生成模块精准回答对比维度纯生成模型关键词检索RAG系统事实准确性❌ 易幻觉✅ 精准✅ 精准+可溯源知识更新成本⚠️ 全量重训。

2026-02-18 08:01:05 6310 5

原创别让幻觉误导AI！揭秘RAG技术如何重塑大语言模型的精准知识边界

当LLM基于训练数据中的统计规律而非真实知识生成内容时，会产生看似合理实则错误的输出。# 错误案例：模型虚构学术论文response = llm.generate("请提供支持XXX理论的3篇权威论文")# 输出：# 1. 《XXX理论的实证研究》Smith et al. 2023# 2. 《XXX在临床中的应用》Johnson 2022# 3. 《XXX的跨学科验证》Lee 2021# （实际这些论文均不存在）通过三个月对医疗问答系统的RAG改造，我们实现了：✅ 幻觉率从15%降至2%

2026-02-17 08:01:01 1526

原创解密RAG：如何用检索增强生成打破大模型“幻觉”困局？

当大模型生成看似合理但实际错误的内容时，即发生幻觉现象。其本质是模型在缺乏真实依据时，依赖训练数据的统计模式进行"创造性编造"。通过本文实战演示，我们验证了RAG在破除模型幻觉上的显著效果。知识新鲜度悖论当检索库本身包含错误信息时（如过时药品说明书），RAG可能放大风险。如何构建动态可信知识源？多模态融合挑战当前图像/表格检索仍依赖OCR转换，如何直接理解非文本信息？成本效益平衡在GPU资源受限场景，如何实现轻量化检索（如使用BGE-M3小模型）？最后抛砖引玉。

2026-02-16 08:01:00 4696 2

原创掌握高效调参：深入解析LoRA如何用1%资源实现90%的微调效果

效率与效果平衡：LoRA以1%资源实现90%性能，秩和学习率是关键杠杆。灵活部署：适配器动态加载支持多任务切换，边缘部署成为可能。社区生态：PEFT库和Hugging Face集成让LoRA即插即用。

2026-02-15 08:01:05 6202 2

原创 RAG重构知识边界：用检索增强生成引爆企业级AI应用的5大实战场景

知识手术刀：用向量切割重构知识边界混合检索引擎：平衡语义与关键词召回退化熔断机制：避免生成器在检索失效时胡言乱语增量更新管道：构建企业知识流的实时注入溯源可解释性：每个回答附带证据链（法律场景刚需）讨论题当RAG检索到互相矛盾的文档时（如新旧法规冲突），如何设计决策机制？如何量化评估知识边界的覆盖度？在高度敏感的国防领域，RAG架构需要哪些特殊改造？行动建议混合检索权重对召回率的影响strict_mode阈值与准确率的关系曲线期待你在评论区分享实验结果🔥。

2026-02-14 08:00:55 5989 4

原创解锁Agent智能体的未来：五大实战策略彻底革新人机协作模式

通过实施五大核心策略，我们实现了：✅ 任务处理效率提升300%（47s→15s）✅ 复杂场景成功率突破92%✅ 记忆回溯准确率99.2%未来演进方向联邦式Agent协作：跨组织Agent的安全交互情感意图理解：捕捉用户潜在情绪需求自我进化机制：基于运行数据的动态优化讨论问题Agent的自主决策边界应该在哪里？如何防止协作系统形成「信息茧房」？人类在下一代协作中应扮演什么角色？凌晨4点，当重构后的系统成功规划出避开所有过敏原的米其林三星路线时，我突然意识到：这不是工具的升级，而是。

2026-02-13 08:01:07 3111 2

原创解锁Agent智能体新纪元：自主协作、任务分解与人类意图对齐的终极指南

通过本文的完整实践，你已经掌握：✅ 多智能体协作系统的架构设计✅ 动态任务分解的工程实现✅ 人类意图对齐的前沿方案✅ 真实场景的调试避坑技巧如何量化智能体的协作效率？我们能否建立类似"协作熵"的评估指标？意图对齐的伦理边界在哪里？当用户指令违反道德时，智能体应如何响应？分布式智能体的演化方向？未来是否会出现跨组织的智能体协作网络？🔥 行动建议：立即在GitHub创建你的，记录每次架构迭代的决策过程，这是持续优化的黄金资产。附录：完整系统架构图fill:#333;important。

2026-02-12 08:01:00 3986 8

原创超越ChatGPT！一文读懂如何用LoRA高效微调打造专属行业大模型

结构化输入：用明确约束条件记忆库管理：在保存所有配置立即验证：每步训练后运行检查指标讨论问题LoRA能否完全替代全参数微调？在哪些场景会失效？如何设计行业评估指标体系？模型蒸馏会带来多大性能损失？行动建议立即在ModelScope创建项目，使用文末完整代码包开启你的行业模型定制之旅！附录：完整代码包结构├── lora_config.yaml # 微调参数模板├── data_builder.py # 行业数据处理器├── train_peft.py # 训练脚本。

2026-02-11 08:01:03 5972 15

原创 CANN ops-transformer的RMSNorm算子剖析：层归一化的轻量化实现

CANN（Compute Architecture for Neural Networks）是华为针对AI计算场景推出的异构计算架构，其核心架构如下图所示：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;CANN架构ops-basicops-nnops-customTBE编译器ProfilerDebuggerAscend硬件平台。

2026-02-10 09:34:42 5654 12

原创解析CANN ops-transformer的FlashAttention算子：注意力机制的内存优化

fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;CANN架构算子库编译器运行时ops-nnTBE编译器AscendCLLayerNorm算子库层：提供2000+高性能算子，ops-transformer专门针对Transformer模型优化编译层：TBE（Tensor Boost Engine）编译器将算子转换为昇腾芯片指令。

2026-02-10 09:34:04 2774

原创拆开揉碎CANN ops-math的卷积算法：Winograd变换的加速原理

CANN是华为面向AI计算的全栈架构，包含算子库、运行时、编译器等核心组件。其分层设计如下：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;CANN整体架构算子库 Layerops-math数学算子ops-nn神经网络算子运行时 Layer任务调度内存管理编译器 Layer图优化算子融合图1：CANN三层架构图。

2026-02-10 09:33:26 243

原创解析CANN ops-math中的FFT算子：快速傅里叶变换的蝶形算法优化

CANN（Compute Architecture for Neural Networks）是华为面向AI场景推出的计算架构，其核心组件包括：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;CANN架构算子库运行时编译器ops-mathops-nnops-imageFFT算子矩阵运算基本数学运算任务调度内存管理图优化。

2026-02-10 09:32:46 259

原创深入剖析CANN ops-math的随机数生成：蒙特卡洛模拟的并行化策略

fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;ops-mathops-nn随机数生成数学变换(FFT, SVD)TBE编译器NPU指令生成CANN通过TBE（Tensor Boost Engine）编译器将算子转换为NPU指令。ops-math硬件熵源：利用Ascend芯片的物理随机数发生器（TRNG）作为种子源批处理优化。

2026-02-10 09:32:07 268

原创 CANN ops-math指数对数函数全解析：数值精度与性能的权衡分析

精度保障基石：基于IEEE-754的分段逼近策略，配合小输入特判机制性能优化关键向量化流水线设计NPU寄存器级操作（TIK）内存访问模式优化实战建议训练场景优先使用FP32模式，避免梯度异常部署时开启FP16加速，需验证临界点精度对大数组运算，确保内存地址64字节对齐开放问题讨论如何动态调整多项式阶数以平衡不同NPU算力？能否通过运行时分析自动选择精度模式？在超大模型训练中，如何避免指数运算的误差累积？相关资源复现。

2026-02-10 09:31:28 266

原创解析CANN ops-math中的三角函数：泰勒展开与查表法的混合实现

CANN (Compute Architecture for Neural Networks) 是华为面向昇腾AI处理器打造的异构计算架构。它提供了从底层硬件驱动到上层AI框架的全栈能力，核心目标是为开发者提供高效、易用的AI计算平台。昇腾AI处理器驱动 (Ascend HCCL/DVPP 等): 管理硬件资源。昇腾AI计算语言 (AscendCL): 提供基础的运行时接口。算子库 (Operator Libraries)ops-nn: 神经网络常用算子 (卷积、池化等)。ops-math。

2026-02-10 09:30:47 356

原创深入剖析CANN ops-math的向量运算：SIMD指令在NPU上的映射

CANN是华为针对AI计算场景设计的异构计算架构，它在硬件和软件之间架起了一座桥梁，使开发者能够高效利用NPU的算力。CANN的核心架构包含以下关键组件：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;算子库编译器驱动ops-mathops-nnops-imageTBETIK运行时环境：负责管理计算资源和任务调度算子库。

2026-02-10 09:30:17 298