- 博客(1096)
- 资源 (45)
- 收藏
- 关注
RSS订阅
原创 Welcome To My Channel！
时间管理是一种习惯，也是一种心态。凡有成就的管理人都有四个共通的特性，即①明确的目标，②积极的态度，③自我激励，④良好的时间管理。做好时间管理，亦就是做对的事情，把事情做对。中小企业领导人与管理者，要把时间管理好，就是要坚持你的既定目标，永不放弃。2020计划 2020目标一：项目管理能力 数据分析-Power BI和其他 PPT-学习...
2019-04-18 11:11:22
9163
原创 Agent Tool 进化论：从“会动手”到“给方案”，AI 能力三级跃迁，看懂下一代架构
AI Agent的进化路径正从Tool（原子工具）向MCP（标准协议）再到Skill（领域解决方案）三级跃迁。Tool让大模型获得现实交互能力，但存在孤立、无法复用等问题；MCP通过标准化接口实现工具互通，如同"工具界的USB"；Skill则整合领域知识、工作流和最佳实践，提供完整解决方案。未来将形成通用Agent+多Skill的架构模式，企业隐性知识可封装为Skill资产，Skill市场将催生新生态。这一演进本质是抽象层级的提升：从"能否做"到"如何解决&
2026-04-09 22:00:00
122
原创 深度梳理：RAG全流程核心环节拆解与AI高级产品经理落地指南
摘要： RAG（检索增强生成）技术是解决大模型幻觉、知识滞后和私有数据隔离的关键路径。AI产品经理需聚焦七大核心环节：文档分块（语义完整性与粒度适配）、Embedding选择（平衡精度与成本）、向量数据库选型（性能与扩展性）、召回策略（稀疏/稠密检索）、重排序、上下文窗口压缩及幻觉抑制。每个环节需结合业务场景设计，例如分块策略需匹配查询类型，Embedding选型需权衡语义精度与推理成本。落地指标包括语义匹配准确率（≥85%）、推理延迟（≤100ms）等，同时避免过度追求技术先进性而忽视业务适配性。通过系统
2026-04-09 08:00:00
147
原创 深度分析Dify 或 Coze底层产品架构，看看他们是怎么做 Agent 编排、知识库管理的！
维度DifyCoze（扣子）架构定位一体化 BaaS，All-in-One LLMOps 平台模块化微服务，企业级 Agent 开发套件Agent 理念单 Agent 可控，工作流驱动，生产稳定多 Agent 协同，团队协作，自主决策编排方式可视化 DAG，Agent 作为工作流节点可视化 DAG + 多 Agent 团队，自主编排知识库端到端 RAG，混合检索+重排，精度优先模块化知识库，空间共享，多模态支持技术栈Golang 微服务，字节自研 MLaaS生态开源社区，多模型兼容，插件丰富。
2026-04-08 21:55:01
249
原创 拆解Agent核心链路：从意图到输出，AI高级产品经理的全链路设计与实践
Agent核心链路的五大环节，本质是对“人类思维与行动过程”的模拟：意图理解对应“人类的感知能力”，记忆对应“人类的记忆能力”，规划对应“人类的思维能力”，工具调用对应“人类的行动能力”，输出与反馈对应“人类的总结与优化能力”。对于AI高级产品经理而言，设计Agent核心链路，就是将“类人化能力”拆解为可落地的产品功能、可优化的技术方案，让Agent从“机器”真正成为“能理解、能思考、能行动、能优化”的智能伙伴。
2026-04-08 21:42:09
313
原创 AI产品经理必学n8n：从核心认知到实战落地，零基础快速入门！
作为AI产品经理，学习N8N是「掌握一款能快速落地AI产品需求、提升工作效率的工具」。与Coze、Dify相比，N8N的核心优势在于「跨工具串联」和「全流程自动化」，是AI产品落地的「自动化中枢」。三者互补使用，能形成「AI能力搭建+业务系统串联+全流程自动化」的完整闭环。文末互动：你在AI产品工作中，最想通过N8N解决什么问题？如果需要搭配Coze或Dify，你会设计什么样的联动场景？评论区留言，一起交流探讨～
2026-03-31 11:28:18
374
原创 搞定多 Agent 协作框架！越权场景设计与解决方案总结。
在多智能体协作框架中，智能体（Agent）是具有自主决策能力和行为执行能力的软件实体。自主性是智能体最本质的特征。智能体能够根据当前状态和目标自主决定下一步行动，而不需要外部的持续指导。这种自主性体现在两个层面：一是决策自主性，即智能体能够独立分析问题、制定计划；二是执行自主性，即智能体能够主动调用工具、执行操作来完成既定目标。反应性指智能体能够感知外部环境的变化，并据此调整自身行为。在多智能体系统中，智能体需要响应来自其他智能体或用户的消息，处理突发事件，并更新自身状态。
2026-03-27 08:00:00
127
原创 多智能体框架里主 Agent 和子 Agent 总抢活？几招解决任务冲突！
子智能体跳过主智能体直接回答用户子智能体说：“我来安排下一步任务”子智能体调用其他子智能体子智能体修改主智能体的规划流程完全失控，主智能体变成摆设根本原因：子智能体权限太大，拥有了调度权、流程控制权、输出权。
2026-03-26 20:00:00
155
原创 Agent知识库/知识图谱/数据库等知识获取与多源信息整合架构设计和PRD功能详述！
Agent 通过从多源获取知识，再通过实现高质量整合输出，保证结果准确、可追溯、可落地。
2026-03-26 08:00:00
166
原创 AI Agent 架构的底层原理与核心机制
AI Agent五层架构实现智能闭环运转：1）感知层负责多模态信息输入与预处理；2）记忆层分类存储短期/长期记忆及知识库；3）认知层通过ReAct推理和反思机制进行决策规划；4）工具层调用外部API扩展能力边界；5）执行层完成任务输出并形成反馈闭环。五层架构通过"输入-处理-输出-优化"的联动机制，使Agent具备自主决策、持续学习和任务执行能力，突破传统LLM的局限，实现从信息处理到实际落地的完整智能体系。
2026-03-25 20:00:00
334
原创 什么是SFT（监督微调，Supervised Fine-Tuning）
监督微调（SFT）是大模型落地应用的关键技术，通过在预训练模型基础上使用高质量标注数据进行有监督学习，实现从通用到专用的转化。本文系统解析了SFT的核心原理、训练流程（数据准备、模型初始化、微调训练、评估迭代、部署应用）及关键技术细节（如避免灾难性遗忘、参数高效微调等）。SFT广泛应用于NLP、CV、语音识别及行业定制场景，具有实现简单、训练稳定、计算成本低等优势，但也存在数据依赖性强等局限。掌握SFT技术能有效实现大模型的定制化适配，推动AI在各领域的落地应用。
2026-03-13 18:20:51
480
原创 AI工具Deepseek本地部署实战教程：从环境搭建到生产优化全流程！！
本地部署AI工具正成为企业解决数据隐私和云端成本问题的优选方案。本文以DeepSeek大模型为例，提供从硬件选型到生产部署的完整指南。硬件配置建议根据预算和场景选择，推荐12GB显存GPU起步；环境搭建重点介绍Ubuntu系统下的CUDA和Python虚拟环境配置；模型部署部分详解7B到70B参数模型的选型策略，并给出4-bit量化加载代码示例；最后通过FastAPI实现REST接口服务，使模型具备生产级API能力。文中包含详细代码片段和性能优化建议，帮助开发者快速构建本地AI服务。
2026-03-06 08:00:00
218
原创 面向Agent产品经理的上下文工程：打造智能体核心竞争力的新范式
传统认知中，上下文常被视为“聊天记录”或“系统提示词”。对Agent而言，上下文是其理解世界、决策行动的根基性“环境信息场”动态场景信息：用户目标（显性与隐性）、环境状态（时间、地点、设备）、多轮交互历史知识图谱：领域本体、用户画像、实时数据（如库存、行情）执行状态：工具调用链、任务分解与依赖关系、执行约束多模态感知：文本、语音、图像、传感器数据的融合理解关键洞察：缺乏深度上下文，Agent只是零散工具的组合；精密的上下文工程，让Agent成为“自主决策体”。
2025-08-13 21:56:49
9877
原创 一文详解ReAct Agent：让AI学会思考与行动的下一代智能体框架
ReAct框架突破传统LLM局限，实现推理与行动的协同闭环。该框架通过"思考→行动→观察"循环模拟人类决策过程，有效解决幻觉问题并支持复杂任务分解。文章详细解析了ReAct的架构设计、技术优势，并基于LangChain提供完整实现示例，展示如何构建具备搜索和计算能力的智能体。同时探讨了ReAct在科研、网络安全等领域的创新应用及优化策略，展望其向自主智能方向的发展潜力。ReAct代表LLM从内容生成向决策智能的跨越，为构建真正智能的AI系统提供了可行路径。
2025-08-13 21:14:22
8692
原创 从基础功能到自主决策：Agent开发进阶路线
摘要： AI Agent正向具备感知-推理-执行-反思闭环的自主智能体演进。本文提出四阶段进阶路线：1）工具化Agent（基础功能）；2）智能化Agent（上下文记忆）；3）自动化Agent（多工具编排）；4）自治型Agent（自主决策）。通过痛点分析（功能单一、记忆缺失、决策链短）和核心能力框架（感知、记忆、工具、决策、安全），结合市场调研案例，强调Agent开发需分阶段构建能力闭环，关键在于"在正确时间做正确事"，而非追求功能堆砌。图表辅助展示了痛点分布、进阶流程及技术架构。
2025-08-10 13:57:07
5677
原创 用Dify构建气象智能体：从0到1搭建AI工作流实战指南
低代码编排：工作流节点拖拽式设计，无需写一行Python代码；一体化能力：知识库、Agent、部署无缝衔接，避免工具间数据流转损耗；灵活扩展：后续可快速集成卫星云图识别（通过"图片处理"节点调用AI模型）、用户位置自动识别（接入高德地图API）等功能。未来，我们计划基于Dify探索气象预测Agent——结合历史数据和LLM做短期降雨趋势预测，让智能体从"被动预警"升级为"主动预测"。如果你也在做垂直领域的智能体，强烈推荐试试Dify，它可能会彻底改变你对AI应用开发的认知。
2025-07-21 20:27:14
944
原创 产品剖析之AI创作与协作的未来革新者Flowith
独特的交互方式：Flowith采用无限画布+节点网络的交互模式，打破了传统线性对话的限制，让用户能够以更自然、更高效的方式与AI进行协作[9多线程任务处理：支持同时运行多个AI任务，实时显示任务进度，极大地提高了工作效率[10私有化知识图谱：自动拆解用户上传文档为知识单元，构建个人知识图谱，提高回答的准确性和针对性[10Oracle智能体：自动规划、分解和执行任务，是管理复杂项目的强大工具[9丰富的模型选择：支持多种AI模型，用户可以根据不同的任务需求选择最适合的模型[9本地部署能力。
2025-07-21 20:26:04
1798
原创 LangChain示例选择器：让AI提示效率提升300%的黑科技！
示例选择器是 LangChain 中的一个关键组件，用于从大量示例中动态挑选最相关的内容，以构建少样本（few-shot）Prompt。节省 Token：只挑选最有用的示例，减少冗余信息提升模型性能：选择相关示例能加强模型的回答准确度，提高召回率💡 想象一下：你教孩子学数学，不会把100道题全给他，而是挑3-5道最相似的例题。示例选择器就是这个原理！# 糟糕的做法：把所有示例都塞给模型examples = [例子1, 例子2, 例子3,..., 例子100]
2025-07-20 19:20:09
247
原创 Agent产品应该考虑的底层条件：从幻想走向落地的基石指南
AI Agent底层设计：构建稳定高效的系统基础 核心摘要： AI Agent的成功落地高度依赖底层系统设计，78%的失败案例源于基础设施缺陷。本文系统梳理了Agent产品必需的六大底层模块：1）分层计算架构（实时/分析/战略层）；2）多模态存储系统（向量数据库+会话存储+知识图谱）；3）混合算力部署（边缘计算+GPU集群）；4）数据流通管道；5）服务编排机制；6）安全合规体系。关键设计要点包括：异步任务调度、状态保持机制、弹性算力分配、多级存储策略和全局安全防护。建议采用分层架构设计，结合Redis/Pi
2025-06-30 21:11:34
292
原创 探秘LangChain Prompt模板：工程化实践之Prompt templates详解！
LangChain智能体Prompt工程化实践 LangChain作为生产级智能体开发框架，其核心在于Prompt的工程化管理。通过标准化模板设计，可显著提升智能体性能（意图识别准确率+37%，响应时间<1.2秒）。关键实现方案包括： 模板分层：基础PromptTemplate、FewShotPromptTemplate和ChatPromptTemplate分别应对不同场景 动态组合：支持Pipeline组合、Jinja2逻辑处理等多模板协同 实战案例：酒店客服系统通过SystemMessage+DB
2025-06-30 21:10:50
457
原创 Agent意图识别全解析：打造智能体理解力的核心引擎！
摘要：本文系统探讨了意图识别在智能体（Agent）中的核心作用与技术实现路径。意图识别作为Agent理解用户需求的关键环节，能够将自然语言映射为结构化意图标签与参数，支撑下游任务决策。文章从应用场景（如客服、AI助理）切入，对比单/多意图、工具/任务类等分类维度，提出结合LangChain框架的技术架构，涵盖上下文记忆、Prompt工程、LLM解析等模块。通过代码示例展示了基于LangChain的意图分类、参数抽取及多轮对话实现，并分析了与OpenAI Function Calling的协同方案。最后针对工
2025-06-30 20:39:27
1586
原创 Langchain实战指南：从入门到精通AI链式编程！
LangChain框架解析：构建LLM应用的利器 LangChain是一个开源框架，通过模块化设计连接大语言模型(LLM)与外部工具，支持开发复杂AI应用。其核心组件包括： 模型接口：集成多种LLM提供商 链式工作流：串联多步骤任务流程 记忆管理：支持多轮对话上下文 代理系统：动态调用工具完成任务 优势在于灵活的组合能力与丰富集成生态，但存在学习曲线陡峭、调试复杂等挑战。该框架特别适用于需要结合检索、记忆和工具调用的智能应用开发，为LLM工程化提供标准化解决方案。
2025-06-24 23:56:09
546
原创 开篇：4周的时间设计并开发一个个性化具备专业知识的东方命理师AI agent！
hi，大家，最近没有更新我的动态，目前在一家国企控股的公司做AI产品经理，具体一点就是做AI agent产品，基于气象海洋的行业背景做气象智能体以及气象智能体+行业的一些解决方案，比如特种、低空、农业等等。从今天起我打算用4周左右的时间带大家一步步设计并落地一个AI agent产品，其中产品设计的部分，是我的本质工作，我会一一介绍给大家，技术部分，我也会手把手教大家（为了巩固我自己的AI能力，下场搓一把代码）！感兴趣的同学可以和我一起，有问题欢迎大家随时留言沟通！
2025-06-24 23:12:19
1346
1
原创 一文读懂A2A（Agent-to-Agent）开放协议：AI领域的TCP/IP协议
A2A（Agent-to-Agent Protocol）是由谷歌于2025年推出的开放协议标准，旨在实现不同智能体之间的直接互通与协作。它通过标准化接口支持智能体间的动态服务发现、任务分配、数据交换和实时协作，打破“智能体孤岛”的局限。A2A的核心特性包括动态能力发现、任务生命周期管理、多模态协作和安全通信。它解决了传统AI系统中的生态碎片化、复杂任务瓶颈和实时协作缺失等问题，提升了开发效率和协作成本。A2A采用分布式三层架构，通过HTTP/SSE/JSON-RPC等协议实现智能体间的通信。应用场景涵盖企业
2025-05-15 22:56:41
3207
原创 一文带你读懂MCP模型上下文协议
MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司主导推出的开放协议标准，旨在为大型语言模型（LLM）与外部工具、数据源及服务提供统一的通信框架。它被比喻为“AI领域的USB-C接口”，通过标准化的接口设计，使AI能够安全、高效地访问本地文件、数据库、API等资源，打破数据孤岛限制，实现动态工具发现与双向实时交互。
2025-04-22 12:00:00
2972
原创 一文读懂Function Calling：大模型与现实世界的交互革命
Function Calling是大语言模型（LLM）通过结构化指令调用外部函数或API的核心技术，使模型从“文本生成器”升级为“任务执行引擎”。它允许模型根据用户自然语言请求，动态触发预定义的外部工具（如数据库查询、API调用、数学计算），并将结果整合到最终回复中。核心价值突破文本生成局限：模型不再依赖静态知识库，可实时获取外部数据（如天气、股票）；增强任务自动化能力：支持多步骤复杂操作（如订机票+查天气+生成行程）；
2025-04-22 10:00:00
3552
原创 AI视频生成产品体验分享（第2趴）：Vidu、Hailuo、Runway、Pika谁更胜一筹？
1. Vidu：国产自研的「一致性标杆」定位专注于解决AI视频生成中的多主体一致性与物理模拟难题，以“高精度控制+低成本生成”为核心竞争力。定位为中小企业与二次创作领域的首选工具，尤其擅长电商产品展示、教育课件等需要角色/场景稳定性的场景。核心用户群B端：电商企业（批量生成商品视频）、教育机构（动态课件制作）；C端：二次元UP主（同人动画）、影视爱好者（低成本分镜预演）；开发者：开源社区吸引插件开发者扩展垂直场景（如医疗手术模拟）。核心打法技术壁垒。
2025-03-18 16:32:12
4503
原创 深入浅出读懂「RLHF」基于人类反馈的进行强化学习
RLHF（Reinforcement Learning from Human Feedback）就是基于人类反馈（Human Feedback）对语言模型进行强化学习（Reinforcement Learning），和一般的fine-tune过程乃至prompt tuning自然也不同。多种策略产生样本并收集人类反馈训练奖励模型训练强化学习策略，微调 LM首先需要一个预训练语言模型，通过大量的语料去训练出基础模型，对于ChatGPT来说就是GPT-3。
2025-03-18 16:27:40
1633
原创 从AI产品经理视角深度剖析Manus：技术、定位与商业化的三重跃迁
• 覆盖6大类51个场景（如金融、教育、供应链），通过动态任务拆解适配不同行业需求，而非依赖预定义功能。• 传统AI助手（如ChatGPT）仅提供建议或答案，而Manus直接交付完整成果（如生成旅行手册、股票分析网站），解决了用户从“思考”到“行动”的最后一公里问题。在金融、法律等高度结构化领域，Manus有望成为行业知识的“压缩器”，通过任务执行沉淀领域认知（如合同风险模式库），反向赋能大模型训练。：支持多模态输入（文本/图像/语音），自动识别任务优先级与资源冲突（如预算与时间矛盾）。
2025-03-12 09:29:47
3740
原创 一文带你了解RunningHub在线AIGC创作平台！
RunningHub作为一款以云端ComfyUI为核心的在线AIGC创作平台，精准解决了传统AIGC工具本地部署复杂、资源分散、插件维护成本高等痛点。其定位为**“零门槛、高兼容性、生态化”的AIGC生产力工具**，通过整合海量工作流、模型库及实时更新的技术架构，服务于设计师、AI创作者及企业用户的多维需求。📌 网址：https://www.runninghub.cn/创作者生态：支持用户上传并售卖原创工作流，通过用户购买量获得收益，优秀创意可直接变现。技术实时更新。
2025-03-05 13:52:39
12391
原创 关于to C类的AIGC内容生产工具的一些想法！
C端AIGC应用正从“玩具级工具”向“生产力助手”转型，但技术突破与用户习惯培养仍需长期投入。：Pixverse的角色一致性功能，允许用户定制虚拟形象并持续用于内容创作。：即梦（剪映）通过手机端简化视频生成流程，支持抖音生态一键发布。：Vidu通过物理模拟技术增强视频动态真实感，支持复杂场景生成。
2025-03-05 12:11:06
674
原创 通过研究报告了解智能客服前世今生
对话内容总结：基于大模型的总结能力，可以为人工客服提供坐席辅助、工单预填、前情摘要等能力，提升坐席人员的工作效率，降低客户通话时长。知识资产构建：基于大模型的内容创作、总结、分类等能力，可以从对话记录等非结构化文档数据进行智能的知识抽取，自动完成知识标注和知识维护，这些知识点将被用于知识管理流程和系统中，然后补充到企业知识库中。机器人坐席：大模型提高了机器人客服的意图理解和内容分类能力，这是机器人客服更像“人”一样与用户对话的核心能力。
2025-03-04 12:51:33
480
原创 AIGC相关基础知识普及篇！
🔥一文读懂「AIGC，AI Generated Content」AI生成内容直接回看，不做赘述！按照模态划分（指的是AIGC技术能够处理和生成的内容类型），AIGC又可以分为文本生成（如ChatGPT、Kimi等）、图像生成（如StableDiffusion、Midjourney等）以及视频生成（如可灵AI、Sora等）。当然还有一个模态划分，也是未来AI大模型的发展趋势，叫做多模态。多模态指的是同时处理来自不同模态的信息，如文本、图像、音频等。也就是说一个AI大模型，能同时处理多种内容生成类型。
2025-03-03 11:51:16
1302
原创 AIGC生图产品PM必须知道的Lora训练知识！
在自然语言处理领域，一种重要的范式是对通用领域数据进行大规模预训练，然后将模型适应到特定任务或领域。随着预训练模型越来越大，完全微调（重新训练所有模型参数）的成本越来越高。例如，对于拥有1750亿参数的GPT-3 175B模型，部署独立的微调模型实例是非常昂贵的。Low-Rank Adaptation （LoRA）是一种解决方案，它通过在Transformer架构的每一层中注入可训练的低秩分解矩阵，将预训练模型的权重固定，并在下游任务中大大减少了可训练的参数数量。
2025-03-01 00:15:10
1576
原创 AI生图产品功能实现原理简单拆解！
hi，同学吗，今天想要和大家方向一下AI生图应用产品中大家常见的一些功能的原理，帮助大家了解到底是怎么实现的，基本包含了一下几个方面的功能！找几款比较火的产品进行介绍，这里选择「美图设计室」、「Canva」、「」，基于SD去分析他的实现原理。
2025-03-01 00:13:47
1561
原创 产品经理的图像类Prompt的黄金撰写法则，新手技巧大揭秘！
主体+场景+细节结构化描述采用「主体-场景-状态-风格-细节」的递进式结构，例如：“阳光下的金毛犬（主体）在花园里追逐蝴蝶（场景），动态模糊效果（状态），写实摄影风格，毛发细节清晰可见（细节）”。细节包括了艺术风格、画质、视角等等5W1H公式应用通过Who（主体特征）、What（行为/外观）、When（时间）、Where（场景）、Why（氛围/目的）、How（艺术风格/技术细节）构建完整画面。
2025-02-28 17:52:55
1271
原创 实战经验分享之一口气搞懂Controlnet怎么用！
当你使用 Stable diffusion 生成图像时，是否有过这种经历？提示词内容在生成结果中似乎都体现出来了，但又总不是自己想要的样子，于是陷入到无限生成（抽卡）的状态，耗费大量时间，逐渐消磨兴趣、耐性及对SD的信任。同样的文字，不同的人理解会不同，想象的画面也各不一样，机器当然也是如此，最好的办法就是“用图表达”。给SD一张参考图，让SD充分理解你的想法。俗话说，一张图胜过千言万语。Stable Diffusion 的基本工作原理就是以文字作为引导条件，生成符合条件的图像。其短板就是。
2025-02-28 14:17:23
1165
原创 深入了解即时零售之美团闪购业务！
美团闪购是美团于2018年推出的即时零售平台，定位于“30分钟万物到家的生活卖场”，覆盖生鲜食品、商超日用、数码家电、医药健康、鲜花绿植等全品类商品，满足消费者对即时性、便利性的需求。通过轻资产模式与商家合作，依托美团外卖的配送网络，实现24小时高效履约，日均订单量已突破1000万单。核心亮点闪电仓模式：前置仓面积小、SKU多（3000-5000个），专为线上销售设计，由专人或机器人24小时运营，预计2027年数量超10万个，市场规模达2000亿元。技术支撑。
2025-02-18 12:34:33
5962
1
粉丝经济：传统企业转型互联网的突破口
2019-01-03
Single Image Dehazing via Multi-Scale Convolutional Neural Networks
2019-04-05
Learning Linear Transformations for Fast Arbitrary Style Transfer论文解读
2019-04-03
管理十诫：影响你一生的管理哲学
2019-05-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人