.摘星.-CSDN博客

原创 2026 年 5 月——远程开发新姿势：用 UU 远程终端，在哪都能操控你的机器

你有没有遇到过这种时刻——下班回家后才想起服务器上有个脚本忘了跑，或者周末在外面突然收到线上告警需要紧急排查，但你手边只有一台轻薄本，甚至只有一部手机。

2026-05-24 16:55:45 15062 38

原创程序员远程摸鱼の究极形态：UU远程自定义隐私屏，让你拥有「双重人生」

它不是在防窥，而是在帮你管理「别人对你的认知」。连接的瞬间自动覆盖，断开自动恢复，零心智负担。推荐三类最有效的隐私屏素材——「系统维护中」伪系统界面、正经的工作截图（Excel/PPT/IDE）、以及空白锁屏画面。「你的隐私屏放的是什么」这个问题本身就是社交货币——反差梗、老婆立绘、整蛊室友，一个功能派生出多种使用哲学，说明它确实触及了一个普遍存在但很少被讨论的需求。隐私屏保比关闭显示屏更「自然」——黑屏反而可疑，但一张有内容的静态画面不会引起任何注意。这种「隐蔽性」设计比强制阻断更有效。

2026-05-19 01:57:23 18619 40

原创协同的艺术:JiuwenSwarm Team Agent 的 Coordination 机制解析

回到开头的那个场景。三个助手各干各的，互相不知道对方在做什么，一遇挫就全卡住——这几乎是所有多 Agent 系统的通病。JiuwenSwarm 的做法是把"协调"本身当成一个独立的问题来处理，而不是当作 Agent 的附属功能。LLMLimiter 解决的是资源争抢问题，DistributedRuntime 解决的是跨进程通信问题，MonitorHandler 解决的是状态可视性问题，TeamRuntimeInheritance 解决的是能力复用问题。

2026-05-18 17:42:34 4103

原创从“单兵作战“到“团队协作“——解析 JiuwenSwarm 的 Team Agent 多智能体架构

Swarm Agent 当前还有一些值得探索的方向。部署层面，现在意味着 Teammate 和 Leader 跑在同一进程里。如果未来能扩展到独立进程或远程节点，让 Teammate 在专用 GPU 服务器上执行，算力上限会提高不少。互联互通层面，JiuwenSwarm 已经实现了 A2A ingress channel（），可以通过 A2A 协议与其他 Agent 系统对接。使用体验层面，一个可视化的团队编排界面——拖拽配置角色和技能——会进一步降低上手门槛。

2026-05-18 17:35:18 4999

原创接口联调总扯皮？用 JiuwenSwarm 搭一套 API 契约测试 Agent 团队

后端说"接口已经开发完了"，前端联调一测——返回格式不对、字段缺失、状态码乱飞。测试同学拿着一份过时的接口文档逐条核对，Mock 数据全靠手写，每次需求迭代都要重新来一遍。这不是某个团队的特例，而是几乎所有前后端协作项目都会遇到的日常。与其靠人肉核对接口契约，不如让一组 Agent 来干这事。

2026-05-15 12:35:36 7818

原创基于 JiuwenSwarm AgentTeam 构建混沌工程自动化实战

在 AgentTeam 模式下，输入需求描述来安排任务。以混沌工程自动化为例，向 Leader 发送任务指令："请帮我完成一次混沌工程演练：对订单服务进行故障注入，分析影响面，验证恢复能力，最终输出演练报告。

2026-05-15 12:34:50 7921

原创数字人行业最大的谎言：把「会动的形象」当成了智能交互

说实话，在体验星云之前，我对「数字人」这个品类是持怀疑态度的。之前接触的数字人产品，无一例外都是「看起来很酷，用起来很蠢」——延迟高、对话假、交互生硬，更像是技术 demo 而非可用的产品。星云让我改变了这个看法。真正打动我的不是某个单一技术点，而是「端到端」带来的体验质变。AI 端渲与端侧解算解决了延迟问题，一体化管线解决了口型同步问题，Agent 认知层解决了对话能力问题——当这些环节不再是拼凑的积木，而是一个整体时，交互体验产生了质的飞跃。

2026-05-14 17:48:36 439

原创 # 从API到Agent：MCP协议如何成为AI互联互通的新基础设施

官方提供了很多预置的MCP Server（GitHub、Slack、数据库等），但更多时候，你需要连接一些官方没有覆盖的数据源。这里以一个自定义PostgreSQL MCP Server"""功能：让AI Agent能够查询数据库"""# 连接配置（在生产环境中，这些应该通过安全的方式注入）"""暴露数据库表结构给Agent"""""")return [Resource(功能：让AI Agent能够查询数据库。

2026-05-07 08:37:47 2422 8

原创 # AI Agent 落地实战：从单Agent到多Agent协作的系统架构与实践

工具是Agent与外界交互的桥梁。工具定义的质量直接决定了Agent的能力上限。查询订单的当前物流状态。适用场景：- 用户询问「我的订单到哪了」- 用户询问「什么时候能收到」- 用户询问「订单有没有发出」不适用场景：- 用户询问「怎么取消订单」（用 cancel_order）- 用户询问「怎么修改地址」（用 modify_shipping_address）""","description": "订单ID，必须是有效的12位数字格式",},

2026-05-05 08:37:48 3957 19

原创 # 当AI学会了“打电话“：MCP协议如何重塑Agent生态

MCP协议的本质，是把AI Agent的"工具调用"从定制化变成了标准化。它的出现让AI从单点能力释放，进入到生态协作的时代。这篇文章我们从协议原理、核心架构、实操指南、竞品生态几个角度全面拆解了MCP。希望你现在对MCP是什么、为什么重要、怎么用有了清晰的理解。如果你要开发一个垂直领域的MCP Server，你会选择什么场景？需要提供哪些工具？MCP生态的繁荣，会不会催生"MCP集成工程师"这个新岗位？当MCP让工具调用变得无处不在时，AI应用开发者需要构建什么样的差异化能力？

2026-05-04 08:37:47 2825 22

原创当AI开始学会“使用工具“——从ReAct到MCP，大模型如何获得真正的行动力

问题：定义了20+个工具，模型选择困难。解决按场景分组，每次只给模型暴露相关工具用层级化的工具注册机制对工具按功能打标签，模型根据意图动态选择ReAct告诉我们AI可以边想边做让工具调用变得标准化Agent架构让AI能处理复杂多步骤任务MCP让工具生态真正走向互联互通2026年，工具调用能力已经成为AI应用的标配。未来，我们期待AI能更自然地融入我们的工作流，成为真正的"数字同事"。如果你还在用AI做"文字游戏"，建议试试给它装上工具调用能力。你可能会惊讶——原来AI可以这么有用。

2026-05-03 10:12:43 2142 17

原创花3个月搭的RAG系统，上线一周被吐槽“人工智障“——问题出在哪？

第一，检索是为生成服务的，不是为了"找到更多"。一切优化都应以"大模型能否有效利用"为最终标准，而不是单纯追求召回率。第二，上下文组织比检索更重要。在实际测试中，优化上下文组织（分块、压缩、结构化）带来的效果提升，往往超过优化检索算法本身。第三，让系统知道自己不知道。承认局限比编造答案更体面，也更能让用户建立长期信任。第四，优化是持续的过程，不是一次性的项目。建立反馈闭环，持续收集bad case，迭代改进。一个真正好用的RAG系统，不是在评测集上分数最高的系统，而是让用户在真实场景中愿意持续使用的系统。

2026-05-02 12:15:22 2409 16

原创 AI Agent 2.0 时代：MCP协议如何成为AI互联互通的新标准

MCP协议的出现，标志着AI应用开发进入了一个新阶段。在此之前，AI工具的碎片化严重制约了Agent的发展；MCP通过统一协议层，让"模型+工具"的组合像"操作系统+应用程序"一样各司其职、协同工作。对于开发者而言，理解MCP的核心概念、掌握MCP Server的使用和开发，是未来几年AI应用开发的必备技能。这不是另一个"学完就会过时"的潮流——协议层面的标准化一旦形成，生命周期会以十年计。AI Agent的真正爆发，需要的不是更强的模型，而是更发达的工具生态。MCP正在成为这个工具生态的连接层。

2026-04-30 08:38:08 3979 20

原创 # 疯狂熬夜三个月，我终于把AI Agent做成了：这不是你以为的「套壳」

dataclassname: strt . description } (参数: {

2026-04-29 08:38:17 4073 20

原创 AI Agent 觉醒时刻：从单点工具到多Agent协作系统的范式革命

AI Agent正在经历从"工具"到"助手"再到"同事"的定位升级。技术架构上，规划引擎、工具系统、记忆系统、多Agent协作框架构成了完整的能力矩阵。应用场景上，Research Agent、Coding Agent、数据分析Agent已经展现出真实的价值。但我们也要清醒地看到可靠性、成本、安全边界、上下文限制等现实挑战。这些挑战不是技术问题，更多是工程问题——随着行业投入的增加，它们会逐步被解决。先从小处着手。

2026-04-28 08:38:20 3216 14

原创当AI开始替你上班：大模型Agent如何重塑工作流自动化

Agent需要调用的每一个外部系统，都需要定义为一个"工具"。"""飞书开放平台客户端""""""获取tenant_access_token，带缓存"""# 同一个进程内，token有效期2小时，不需要每次调用都刷新url = f"

2026-04-27 08:37:46 2625 19

原创 35B参数打败235B：大模型行业正在悄悄改变游戏规则

要理解后面的内容，我们必须先把Function Calling（函数调用）这件事搞清楚。首先，我们需要定义一组工具。每个工具包含：名称、描述、参数schema。# 定义搜索工具"""搜索引擎工具 - 用于获取最新的行业动态和市场信息"""description: str = "搜索互联网获取最新信息。适用于查询实时数据、新闻、行业动态等场景。description="搜索关键词，建议包含品牌名、产品名或行业关键词"description="最大返回结果数量，范围1-50"

2026-04-26 08:38:16 1823 15

原创 AI Agent 的进化与落地实战：从被动响应到主动执行

说了这么多理论，该动手了。这部分我手把手教大家搭建一个新闻摘要 Agent。需求：输入一个主题，让 Agent 自动搜索相关新闻，提取关键信息，生成一份结构化摘要。底座模型：Claude 3.5 Sonnet（成本和能力的平衡之选）框架：LangGraph（学习曲线平缓，扩展性好）搜索工具：Firecrawl（比传统爬虫更可靠）输出：Markdown 格式的结构化报告架构设计：fill:#333;important;important;fill:none;color:#333;

2026-04-25 08:37:44 2586 16

原创抛弃CUDA生态，万亿参数全栈国产化——拆解DeepSeek V4的「飞行换引擎」

国产AI芯片能不能跑顶级大模型？从目前披露的信息来看，答案是"能"。这到底是一次技术突破，还是一次政治表态？我认为两者兼有。从技术角度看，CANN Next的95% CUDA兼容性、昇腾950PR在推理端的性能表现，确实是实打实的工程成果。DeepSeek团队数月的算子重写和精度对齐工作，不是"政治任务"能推动的——这是纯粹的工程硬实力。从产业角度看，这件事的最大意义不在于DeepSeek本身，而在于它为整个国产芯片生态打开了一扇门。有了第一个成功案例，后面的团队就不用从零开始论证可行性了。

2026-04-24 08:37:40 3144 17

原创 OpenClaw 人格工程实战：从默认模板到专属 AI 助手的 7 步调教法

OpenClaw 的上下文窗口是有大小限制的。对话越来越长的时候，系统会自动触发Compaction（压缩），把之前的对话历史做有损摘要来释放空间。这个机制我一开始完全不知道，直到有次做了一个多小时的重构，中间 AI 突然"失忆"了，忘了我们之前约定好的 API 命名规范。后来才明白是被 compaction 掉了。把你的隐性知识变成显性规则。那些你觉得"理所当然"的工作习惯、代码风格、沟通偏好，其实都是你独特的"人格参数"。AI 不会读心术，你得一条一条告诉它。搞清楚三层架构。

2026-04-23 22:39:16 1795 13

原创代号「土豆」，6万亿参数只激活10%——拆解GPT-6的Symphony架构，OpenAI怎么把大模型重做了一遍

GPT-6的发布标志着大模型行业从一个阶段进入了另一个阶段。上一个阶段的主题是「大」——更大参数、更多数据、更强算力。GPT-6告诉我们下一个阶段的主题是「巧」——如何用更聪明的方式组织参数，如何让模型自己判断什么时候该深入思考，如何让不同模态真正融合而不是简单拼接。MoE架构把参数规模和推理成本解耦，这是一个工程上的巨大突破。双系统推理把思维链从外部技巧变成了内置能力，这是一个认知架构上的创新。原生多模态统一处理把胶水代码的负担从开发者转移到了模型内部，这是一个用户体验上的改进。但GPT-6不是终点。

2026-04-21 08:37:45 3244 5

原创 79%的企业在搞AI Agent，跑通生产环境的只有2%——2026年Agentic AI到底卡在哪了？

先说清楚概念。很多人把"能调工具的大模型"就叫做AI Agent了，这其实差了一个维度。传统的LLM应用——比如ChatGPT的对话界面——本质上是请求-响应模式：你问一句，它答一句。哪怕它能在回答过程中调用搜索工具，整个流程还是被动的，由用户驱动。Agentic AI的核心区别在于自主决策循环感知（Perception）：从环境（API、数据库、消息队列、传感器）获取信息规划（Planning）：把复杂目标拆解成可执行的子任务序列执行（Action）：调用工具、修改状态、触发外部操作。

2026-04-20 08:37:44 561 7

原创当一个开源模型能连续自主工作8小时——拆解2026年Agentic AI的技术密码

2026年AI行业最大的变化，不是某个模型刷新了跑分，而是整个范式从"训练更好的模型"转向"让已有的模型更好地工作"。GLM-5.1的8小时续航、MCP和A2A的协议标准化、LangGraph和CrewAI的框架成熟，这些看似独立的事件，其实都在推动同一件事：让AI从"答题机器"进化为"自主工作者"。如果你还在纠结"该学哪个模型"、“该用哪个框架”，我的建议是：别纠结了，先动手搭一个Agent系统。

2026-04-19 08:37:46 585 13

原创当所有人都在堆参数的时候，DeepSeek V4悄悄做了三件别人不敢做的事

路线一：暴力美学。以 OpenAI 为代表，持续增大模型规模，依靠庞大的算力集群和数据工程来推动性能边界。GPT-5 就是这个路线的最新产物——超大参数、超强能力，但训练和推理成本也是天文数字。路线二：架构创新。以 DeepSeek 为代表，通过架构层面的创新来提升效率。mHC、Engram、DualPath 三项技术本质上都是在回答同一个问题：如何用更少的算力做更多的事。这条路的好处是成本可控，坏处是技术复杂度极高。路线三：端侧优先。

2026-04-18 08:37:42 1492 10

原创最强编程模型Claude Opus 4.7发布，附国内使用教程

2026年4月16日，Anthropic正式发布Claude Opus 4.7。Opus 4.7定价与 Opus 4.6持平，但新版分词器可能导致实际输入消耗的token增长0%-35%。另外，由于思考强度也比4.6高，也会耗费更多输出token。所以在实际体验上，Opus 4.7的总体成本会高一些。2026年4月16日，Anthropic正式发布Claude Opus 4.7。Opus 4.7定价与 Opus 4.6持平，但新版分词器可能导致实际输入消耗的token增长0%-35%。

2026-04-17 14:28:27 14153

原创 7540亿参数只激活400亿，GLM-5.1凭什么成为首个超越GPT-5.4的开源模型？

大家好，我是摘星，今天我们来聊聊智谱GLM-5.1这个"静默炸场"的国产开源模型。4月初，智谱AI悄悄上线了GLM-5.1，没有发布会，没有铺天盖地的通稿，但它在技术圈掀起的波澜却一点不小——SWE-Bench Pro基准测试拿到58.4分，首次超越Claude Opus 4.6（57.3分）和GPT-5.4（57.7分），登顶全球第一。它的前身GLM-5在SWE-bench Verified上就曾拿下77.8%的开源最高分，GLM-5.1在这个基础上进一步巩固了优势。

2026-04-17 08:37:46 1682

原创用Claude Code配GLM写了一周代码，这套工作流真香

我在 Claude Code 里说：在 models/Comment.js 里创建一个 Mongoose 模型。

2026-04-16 23:21:59 4001 12

原创 GLM最被低估的能力“令行禁止”：你说一它不二

特别说一句"不要添加 badge 图标"——别的模型经常会"好心"在开头给你加一排 Travis CI、npm version、license 的小图标，看起来花哨，但如果项目没配这些 CI，那些 badge 就是摆设，甚至点进去是死链接。在 Claude Code 里，"不要修改其他文件""不要添加额外功能""不要改变现有结构"——这些排除项对 GLM 特管用。最让我满意的是：它没有"好心"帮我把标题层级调整一下，也没有在最后加一段"以上是接口文档说明"。"文档风格要专业"——什么是"专业"？

2026-04-16 23:18:44 410

原创 7540亿参数只激活400亿，这个中国开源模型凭什么跑赢了GPT-5.4？

GLM-5.1的技术架构——MoE + DSA + MLA + Slime异步RL——代表了中国大模型从"追赶者"向"并跑者"转变的一个节点。它没有发明什么全新的概念，但把已有的技术组合到了一个相当高的水平。第一，MoE的下一步演进。256个专家会不会变成1024个？激活策略会不会从静态top-k变成动态自适应——简单问题激活2个专家就够了，复杂问题激活16个？这些方向目前都有人在探索。第二，Agentic Coding的天花板在哪？

2026-04-16 08:37:46 529 2

原创 35倍推理加速，成本砍掉97%——DeepSeek V4要重写大模型游戏规则

DeepSeek V4还没有正式发布，本文所有技术细节都基于公开论文、GitHub仓库和行业报道整理，最终规格以DeepSeek官方发布为准。但仅从已有信息来看，V4代表了一种独特的AI发展哲学：不靠堆硬件、不靠堆数据，而是通过算法层面的精细创新来突破性能边界。mHC修复了Transformer架构中一个延续十年的"设计债务"，让深层网络的训练更加稳定。Engram开辟了一条全新的知识检索路径，用O(1)的查找效率替代了O(n²)的注意力全量扫描。

2026-04-15 08:37:41 775 12

原创 AI独自写了8小时代码，还把SWE-Bench刷到了第一——GLM-5.1到底做对了什么？

大家好，我是摘星，今天我们来聊聊智谱刚发的GLM-5.1——一个能连续干8小时代码活儿、中途不需要人类插手、还把SWE-Bench Pro刷到58.4分刷新纪录的开源模型。4月7日，智谱AI发布了GLM-5.1。一句话概括这个模型的核心卖点：它不是让你「对话写代码」，而是让你把一个复杂的工程任务丢给它，然后下班走人，8小时后回来看结果。这种从「Vibe Coding」到「Agentic Engineering」的范式转变，才是GLM-5.1真正值得关注的地方。

2026-04-14 08:37:42 1384 13

原创 DeepSeek把V4藏着不给Nvidia看，GLM-5.1却拿了编程全球第一——2026春季开源大模型的三场暗战

大家好，我是摘星，今天来聊聊这个春天AI圈最热闹的一件事：开源大模型的牌桌被彻底掀翻了。三月底智谱GLM-5.1悄悄登顶SWE-bench Pro全球第一，四月初谷歌Gemma 4用31B参数追平200B+模型，而DeepSeek V4的消息像挤牙膏一样从论文里慢慢渗出来——万亿参数、全新Engram架构、100万上下文，却连Nvidia都没给看过。三场暗战同时上演，开源大模型的格局已经跟半年前完全不是一回事了。这篇文章我会把这三场暗战掰开揉碎讲清楚：Engram架构到底"新"在哪里？

2026-04-13 08:37:45 1384 6

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 08:38:20 570 5

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 08:37:45 822 1

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 08:37:43 665

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 1319

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 09:50:49 430

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 1597

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 10:43:04 572

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 17:46:56 497