- 博客(15)
- 收藏
- 关注
RSS订阅原创 Agent开发实战-langgraph重构
本文详细解析了基于LangGraph框架构建的紫微斗数AI Agent系统。该系统采用模块化设计，核心组件包括记忆系统（Chroma向量数据库）、状态管理（TypedDict）、节点化工作流（StateGraph）和大模型集成（本地Qwen）。工作流程包含记忆检索、大脑思考、记忆存储三个核心节点，形成完整对话闭环。技术亮点包括语义记忆检索、自动消息管理、流式执行和设备自适应。系统优势在于模块化设计、记忆增强、鲁棒性和性能优化，但也存在记忆管理、工具调用和错误处理等方面的改进空间。该实现为构建复杂AI应用提供
2026-04-22 14:37:20
361
原创 Agent开发实战-langChain重构
很多初学者直接上手 LangChain，会被它眼花缭乱的类名（Classes）和链条（Chains）搞晕，因为他们不知道底层在干嘛。但你不一样，当你看到 LangChain 的源码时，你会心一笑：“这不就是我前两天写的那个while循环和try-except嘛！
2026-04-16 16:22:40
234
原创 Agent开发实战-记忆模式
本文提出工业级Agent的三层记忆架构，解决大模型上下文窗口有限的问题。短期记忆（Buffer）保存最近对话保证实时性；摘要记忆（Summary）压缩历史信息保留核心内容；长期记忆（Vector）向量化存储海量数据。通过Python代码示例展示了三层记忆的协同机制：短期记忆采用滑动窗口管理，触发阈值后生成摘要并归档至向量数据库。关键点在于冲突处理策略：短期记忆>摘要>长期记忆，确保最新信息优先。该架构平衡了响应速度、信息密度和历史追溯能力，适用于需要长期对话维护的工业场景。
2026-04-16 14:42:39
215
原创 机器人模仿学习：如何优雅地将 ROS 2 数据对齐并转换为 LeRobot 格式
本文提出了一种工业级的两步法数据对齐方案，用于解决机器人模仿学习中ROS 2异步数据转换时的"因果撕裂"和"未来数据泄露"问题。通过"ZOH网格吸附+动作因果锚定"策略，先严格向后查找动作确保不借用未来数据，再以真实动作时间为锚点对齐状态和图像数据。该方案通过两个基础搜索工具（find_nearest_index和find_previous_index）实现，既能抵抗硬件抖动，又保证了数据的因果一致性，显著提高了模仿学习模型在实机测试中的成功率。核
2026-04-12 22:13:54
247
原创 Agent开发实战-ReAct 工作流
本文解析了AI Agent中ReAct工作流的核心机制。ReAct通过"思考-行动-观察"的循环（T-A-O），让大模型从被动应答升级为主动调用工具的智能体。文章详细介绍了其三步流程：1）模型思考并生成行动指令；2）系统拦截指令并执行外部工具调用；3）将执行结果反馈给模型进行下一步决策。关键实现技巧包括：使用stop参数控制生成、JSON异常捕获与自愈机制、循环次数限制防止死循环。文中还提供了包含错误处理的Python代码示例，展示了如何构建一个健壮的ReAct工作流，使AI Agent
2026-04-12 18:20:19
364
原创 Agent开发实战-调用本地模型
摘要 本文介绍了LLM模型的安装与调用方式。首先提到通过腾讯Qclaw实现自动化安装和问题解决。随后详细展示了一个本地调用脚本，支持Qwen 2.5 7B、Hermes 3 8B等模型，使用llama.cpp在RTX 5060 GPU上运行。脚本包含模型配置、格式构建、核心调用等功能模块，支持对话历史、温度调节等参数设置，并提供了性能统计和日志过滤功能。该方案实现了本地大语言模型的高效调用，适合中文场景下的AI应用开发。
2026-04-10 18:04:53
362
原创 Agent开发实战-持久化保存与调取
本文详细介绍了RAG系统的四大核心技术流程：向量化、持久化、双路查询和重排序。首先采用BAAI/bge-small-zh-v1.5模型进行文本向量化转换，实现语义理解；然后通过Chroma数据库实现向量数据的持久化存储；接着提出创新的双路查询机制，结合向量检索和BM25检索的优势；最后利用BAAI/bge-reranker-base模型对结果进行重排序优化。文章包含完整的代码实现和技术要点分析，为构建高效RAG系统提供了实践指南，特别针对中文场景进行了优化，平衡了检索精度与计算效率。
2026-04-09 22:46:55
370
原创 Agent开发实战-语义切片
本文介绍了语义切片（Semantic Chunking）技术及其优势。传统按字符数硬切的方法会导致语义断裂，而语义切片通过分析句子间的语义相似度来智能划分文本。其核心流程包括：句子拆分、向量化、相似度计算和断点识别。文中推荐使用BGE系列模型进行中文向量化，并展示了RAG系统中语义切片的应用场景。最后提供了一个Python代码示例，演示如何利用HuggingFaceEmbeddings和SemanticChunker实现语义切片功能，包括模型加载、文本处理和切片生成等步骤。
2026-04-08 10:27:38
228
原创 Agent开发实战（基于聊天记录和日记的数字分身）
本文提出一个14天高效进阶计划，分为四个阶段实现工业级RAG系统开发：1）重构RAG链路（1-5天），重点实现语义切片、混合检索和重排序；2）Agent工程（6-9天），构建自主调用RAG的智能体并实现记忆机制；3）多模态扩展（10-11天），集成视觉模型实现图文检索；4）系统封装（12-14天），完成API化部署和压力测试。计划强调实战导向，建议每天5小时（1小时理论学习+4小时编码实践），通过模块化开发快速构建可展示的工业级作品。
2026-04-07 21:33:13
391
原创 30天 LLM+RL+Agent 成长计划（day4）
固定prompt就是“一次性的指令”，Agent是“能自己琢磨、自己统筹事儿的小助手”，Skill就是这个小助手干活时，得用到的各种“工具和小脚本”，三者凑到一起，才能让AI自己完成一整套复杂的事儿，不用我们一遍一遍手动输指令、催进度。
2026-04-07 15:44:38
385
原创 30天 LLM+RL+Agent 成长计划（day2）
摘要：本文系统介绍了大语言模型（LLM）从底层训练到应用扩展的完整技术栈，通过四个关键概念SFT、RLHF、RAG和MCP展开。SFT（监督微调）让通用模型成为专业人才；RLHF/DPO（偏好对齐）优化模型价值观；RAG（检索增强）赋予模型实时知识获取能力；MCP（模型上下文协议）实现外部工具调用。文章详细解析了预训练、微调、对齐等技术原理，并展示了技术组合应用流程，完整呈现了LLM从基础认知到智能应用的演进路径。
2026-04-03 23:12:32
566
原创 强化学习落地思考
从实用主义的角度看，模型对于强化学习是必不可少的，因为只有仿真模型才能赋予强化学习无限探索的能力，而不会对真实世界造成损害。因此应该尽量找到现成可用的仿真模型，但是，模型的误差会对强化学习的训练造成影响，所以需要通过专家知识和真实数据对模型进行调整和优化，以提升仿真的精确度。同时在训练的过程中使用域随机化的方法，以提升模型的泛化能力。如果实在没有现成可用的模型，或模型获取成本过高。也要尽量获取真实数据，通过真实数据来训练模型，这种时候就需要额外考虑模型的可解释性问题，以保证模型的有效性。
2023-12-06 11:32:39
1084
原创 用python写leetcode的脑筋急转弯题目
如有问题或建议请发邮箱457169663@qq.com三个脑筋急转弯 更文时间：2018/11/04用python刷leecode的题目NIM游戏 桌子上有一堆石头，每次你们轮流拿掉 1 - 3 块石头。 拿掉最后一块石头的人就是获胜者。你作为先手。编写一个函数，来判断你是否可以在给定石头数量的情况下赢得游戏。我们可以假设一下,如果桌子上只有1-3块石头,你第一次就可以全收...
2018-11-04 21:50:52
645
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