- 博客(90)
- 收藏
- 关注
RSS订阅
原创 grill之后怎么开工：PRD落规格 → 垂直拆活 → TDD跑通第一个issue
本文展示了如何将盘前简报MVP项目从需求摘要转化为具体实现的过程。首先通过to-prd技能将摘要整理为正式PRD文档，明确功能范围、接口契约和测试标准；随后用to-issues将项目拆解为6个垂直任务，确保每个任务可独立验收；最后以TDD方式实现第一个任务（搭建基础CLI框架），采用"先红后绿"的开发模式。文章强调了结构化开发流程的重要性：通过grill-me明确需求→PRD定规格→垂直拆解任务→逐个实现，相比直接生成完整代码更可控。这种工作流既保持开发节奏，又能有效控制AI的输出范围，适合MVP开发场景。
2026-07-20 11:05:48
241
原创 用 grill-me 推导盘前简报 MVP：12 题钉边界 + schema 收束
文章摘要： 本文介绍了一种名为“grill-me”的AI对话技能，其核心特点是逐层追问，确保每个设计决策都有明确依据。与常规方案生成不同，它通过单步提问（如“谁在用？”“字段为何存在？”）推动用户思考，避免过度设计或场景脱节。作者以“盘前简报系统”为例，展示如何通过12轮问答（从用户角色到数据字段定义）打磨MVP，确保系统边界清晰、字段可溯源。实战对话显示，AI会通过虚构案例（如AAPL/NVDA行情）验证设计合理性，并动态调整输出。该方法尤其适合敏感场景（如金融合规），强调先定义“为什么”，再解决“怎么做
2026-07-01 11:00:31
263
原创 TypeScript 入门：给 JavaScript 开发者的快速指南
本文是 JS 过渡 TS 的入门指南：TS 在 JS 上加类型，编译后仍是普通 JS。涵盖 : 类型、interface、联合类型与 typeof 收窄、unknown 优于 any、泛型 <T> 及 strict 下对 null/undefined 的处理。通过 JS/TS 对照示例，说明 TS 如何在开发期提前发现类型错误，运行时与 JS 一致。
2026-06-15 10:35:19
235
原创 知识库问答实战（3）：用 5 维框架推表设计
用 5 维（资产/流程/产物/交互/运营）从需求推表。先列概念、再归类、再挂两条业务链，逐维给出 知识库问答系统从MVP 到企业级的字段设计与升级路径，按需深读。
2026-06-08 16:49:12
313
原创 把后端项目当公司：前台、业务部门、档案室、外包各管啥
本文通过公司架构类比分层设计原则，分析了一个FastAPI用户认证项目的重构过程。原项目将所有功能混在单个文件中，存在API、业务逻辑、数据访问等耦合问题。文章提出四层架构：API层（前台接待）、Usecase层（业务部门）、Domain层（档案室）、Infra层（外包团队），强调单向依赖原则。以DTO迁移为例展示了重构第一步，将Pydantic模型单独提取到schemas模块，为后续分层解耦奠定基础。这种架构设计能有效提升代码可维护性和可扩展性。
2026-04-15 17:48:51
415
原创 用OpenAgents打造西天取经智能招聘网络：当观音菩萨遇上AI Agent协作
本文介绍如何使用OpenAgents框架构建"西天取经智能招聘网络"系统。通过五个AI智能体协作，实现简历解析、智能分流和多维度评估，帮助观音菩萨招聘取经团队成员。文章提供完整开发指南，以西游记为背景，将古典神话与现代AI技术巧妙结合，展示多智能体协作系统的开发过程。
2025-12-23 09:56:10
2182
原创 从零开始：MCP数据库助手（三）- 多数据库支持
MCP DataTools从单数据库支持升级为多数据库支持，满足企业级需求。项目新增对PostgreSQL、MySQL的支持，完善了连接池配置和配置管理功能，并采用容器化方案简化部署。升级后的项目结构更加规范完善，通过pyhi.toml添加了多数据库依赖，并设计了统一的配置管理模块settings.py。核心功能MultiDatabaseManager实现了对URL检测、连接管理等功能，使工具从"玩具"升级为实用"工具"。项目还提供了完整的测试方案和数据库初始化脚本，确保各数据库环境一致性。
2025-10-02 11:08:08
1203
原创 用Dify打造西天取经简历筛选工作流
本文以《西游记》为背景，讲述了观音菩萨面对大量妖怪简历筛选的压力，使用Dify工作流搭建了一个智能简历筛选系统。该系统通过四个主要步骤（简历输入→文档提取器→信息提取层→决策分析层）对候选人进行分类和评估，并针对不同背景的候选人（如孙悟空、白骨精、浪浪山小猪妖）给出了不同的评估路径和结果。
2025-08-28 16:03:15
1713
原创 用dify手动搭建崔老道说书对话流
摘要：本文介绍了如何利用Dify的对话流功能打造"评书风格"的智能说书应用，重点展示了《四神斗三妖》知识库问答系统的实现方法。通过选择模板、配置知识库检索节点、设置评书风格的LLM提示词等步骤，构建了一个具有传统评书韵味的问答系统。文中详细解析了日志分析过程，包括知识检索节点的运行机制、相似度评分标准，以及如何通过提示词工程塑造崔老道说书人角色。最后展示了实际问答效果，证明该系统能有效输出符合评书风格的个性化回答。
2025-06-06 11:20:21
2201
1
原创 知识库问答实战（2）：关键接口设计
按主链五步映射 API：上传 202 + KB 级 job、轮询 index-jobs、流式 chat。细说三接口契约，以及 citations 可追溯、request_id 排障、错误码与 kb 归属等接口设计要点。
2026-06-17 16:12:20
246
原创 知识库问答实战（1）：MVP 主链与门禁
以《公司制度手册》为例，讲清知识库问答系统的MVP 五步：建库、上传、等处理、提问、看答案（含引用）。强调上传成功≠能问、提问前门禁、无命中别硬编；并拆成写入链与问答链，顺带列出核心表名。
2026-06-17 16:10:29
306
原创 JavaScript 入门：给 Python 开发者的快速指南
本文为Python开发者快速上手JavaScript的实用指南。核心要点包括：优先使用const/let声明变量；注意JS特有的真值判断规则（如空数组为真）；推荐使用严格相等===；掌握箭头函数和对象方法；熟练运用数组方法map/filter/reduce；了解解构赋值和展开运算符。异步编程部分对比了JS的Promise与Python协程的异同，强调事件循环机制。最后提供Node.js环境配置建议，帮助读者快速写出可运行的前端或Node项目代码。
2026-06-12 10:37:52
249
原创 用 Trae Solo vibecoding 一个AI 绘本生成器
本文介绍了一个基于AI的儿童绘本生成器开发实践。项目支持上传TXT文本，自动生成3-8岁儿童的绘本故事，包含风格一致的插图和PDF导出功能。开发过程分9个步骤：需求梳理（PRD生成）、文件上传、文档解析、故事生成（DeepSeek API）、插图生成（SiliconFlow API）、进度显示、用户系统、UI优化及文件清理。通过Trae Solo工具实现高效开发，核心功能仅用半天完成，相比传统开发节省约75%时间。关键经验包括：明确需求边界、结构化Prompt设计、分阶段UI迭代，以及处理API输出
2026-04-25 11:43:47
391
原创 第11篇：实战项目-智能知识库助手（进阶版）
本文介绍了智能知识库助手从入门版到进阶版的升级过程，重点实现了从静态执行到智能决策的转变。进阶版采用Agent架构，通过动态工具调度（RAG/搜索/摘要）取代固定流程，并引入Middleware处理日志/错误监控等横切关注点。升级包含四大核心变化：新增Tools模块封装功能、Agent模块实现智能决策、Middleware模块统一管理非业务逻辑，以及状态管理从RunnableWithMessageHistory升级为Checkpointer机制。文章通过架构对比图展示了控制权转移的本质，并提供了模块划分方案
2026-04-03 09:57:04
409
原创 第10篇：回调机制
本文介绍了LangChain中的回调机制（Callbacks），它能够监控Agent执行的每个环节，实现全链路调试。回调机制通过事件和回调器实现，覆盖模型层、链层、工具层和代理层的关键节点。文章展示了三种官方回调处理器：StdOutCallbackHandler（控制台输出）、FileCallbackHandler（文件记录）和OpenAICallbackHandler（Token监控），并演示了如何创建自定义回调处理器。通过回调机制，开发者可以深入观察AI执行过程，记录日志、收集指标或处理异常，从而提升A
2026-01-16 10:02:26
889
原创 第9篇：Middleware中间件
Middleware（中间件）是Agent智能代理的控制塔;，能在执行过程中进行拦截、监控和增强。它提供了6个关键干预点，包括安全检查、性能监控、错误处理等功能。LangChain内置了多种实用中间件，如PIIMiddleware（自动隐藏敏感信息）和SummarizationMiddleware（对话过长时自动摘要）。这些中间件为AI代理提供了必要的约束和安全保障，使其在自主决策的同时保持可控性。通过中间件，开发者可以轻松实现输入验证、隐私保护、流程控制等关键功能，提升AI系统的安全
2026-01-16 10:01:17
821
原创 第8篇：Agent智能代理
本文介绍了LangChain中Agent智能代理的核心概念。Agent通过ReAct框架实现"思考-行动-观察"循环，能够根据用户问题动态选择和调用工具，突破了LCEL静态链的局限性。文章详细讲解了create_agent函数的使用方法，包括基础用法、结构化输出以及与LCEL的协作模式。最后对比了Agent与LCEL的适用场景：LCEL适合固定流程，Agent适合需要动态决策的复杂任务。
2026-01-15 10:28:34
783
原创 第7篇：Tool工具开发
本文介绍了如何使用LangChain的Tool工具开发，让AI助手获得执行操作的能力。主要内容包括：1) Tool的基本概念和作用，将语言模型与执行功能结合；2) 使用@tool装饰器快速创建Tool，实现简单功能如加法计算；3) 通过Pydantic模型实现结构化参数校验，增强工具可靠性；4) 使用StructuredTool类创建更灵活的工具，支持同步/异步调用；5) 将Tools集成到LCEL链中的模式。这些方法使AI不仅能回答问题，还能执行实际计算、查询等操作，大大扩展了应用能力。
2026-01-15 10:23:04
786
原创 Pydantic中的default_factory详解：初学者必看指南
Pydantic中的default_factory用于解决可变对象默认值共享问题。本文介绍了其核心作用：当需要为列表、字典或自定义类设置默认值时，使用default_factory可以确保每次实例化都生成独立对象，避免多个实例共享同一引用。通过对比default和default_factory的区别，展示了正确使用方法，包括嵌套模型和自定义工厂函数场景。文章还分析了常见错误，如混淆参数传递方式，并提供了配置管理和API响应等实际应用示例。default_factory是处理动态默认值的有效工具，能防止可变对
2025-12-24 09:45:30
936
原创 第6篇：实战项目-智能知识库助手（入门版）
本文介绍如何整合LangChain、RAG等技术构建智能知识库助手。该助手能加载多格式文档，支持自然语言问答、多轮对话和独立对话状态管理。采用分层架构设计，包含API接口层、核心业务层（文档加载、向量存储、状态管理等模块）和基础设施层（OpenAI API、FAISS等）。开发采用自顶向下设计方法，从接口定义到模块实现，最后整合测试。
2025-12-24 09:43:48
732
原创 谈谈langchain的Tools与Agents智能代理
本文介绍了基于LangChain框架构建智能代理系统的核心概念和方法。智能代理通过将大语言模型（LLM）作为"大脑"与各类工具作为"手脚"相结合，实现了超越传统文本生成的任务处理能力。
2025-12-23 10:06:13
671
原创 LangChain是什么？为什么它是构建AI应用的关键框架？
LangChain：大模型应用开发框架 LangChain是2022年10月推出的开源框架，旨在简化大模型应用的开发流程。其核心价值在于提供标准化组件和模块化设计，使开发者能够像搭积木一样构建复杂AI应用。框架包含六大核心组件：Model I/O（标准化输入输出）、Chains（工作流引擎）、Memory（上下文记忆）、Agents（智能决策）、Retrieval（知识增强）和Callbacks（监控调试）。通过分层架构设计（基础层、组件层、部署层）和配套工具（LangSmith、LangServe等），L
2025-12-23 09:30:00
1087
原创 Python数据库编程必学技能：上下文管理器让你告别连接泄漏
摘要：Python上下文管理器的数据库连接应用 本文通过租房比喻生动解释了Python中上下文管理器（Context Manager）的概念和应用。作者从初学者常见的数据库连接管理问题入手，展示了忘记关闭连接的风险，以及手动管理的繁琐性。随后引入上下文管理器作为解决方案，详细解析了@contextmanager装饰器和yield语句的工作原理。文章用"智能租房管家"的比喻形象说明了上下文管理器如何自动处理连接的创建和关闭，确保资源安全释放。最后提供了完整的数据库管理器实现示例，并强调了异
2025-12-22 09:51:27
779
原创 第5篇：RAG技术在LangChain中的实现
本文介绍了如何在LangChain v1中实现RAG（检索增强生成）技术。RAG通过结合外部知识库和大语言模型，有效解决了模型幻觉问题。文章详细讲解了文档加载与分割的实现方法，提供了支持文本、PDF、网页和CSV等多种格式的统一加载接口，并展示了实际运行效果。通过代码示例演示了如何加载不同格式的文档数据，为后续实现RAG系统奠定了基础。
2025-12-22 09:42:41
1064
原创 第4篇：状态管理与对话记忆
本文探讨了大语言模型(LLM)的状态管理与对话记忆技术。首先指出LLM本身无状态的特性导致对话连续性缺失的问题，强调状态管理和对话记忆的重要性。然后详细介绍了LangChain 1.0的状态管理机制，包括基于Checkpointer的核心状态保存方案和thread_id的多线程管理策略。文章重点区分了记忆实现方式（架构层）与记忆类型（内容层）两个关键概念，并通过代码示例演示了ChatMessageHistory手动管理和RunnableWithMessageHistory自动管理两种实现方式。这些技术使AI
2025-11-18 09:43:00
903
原创 第3篇：深入理解LCEL表达式语言
本文介绍了LangChain v1.0中LCEL（LangChain Expression Language）的演进与核心应用。LCEL从构建工作流的基础语法发展为智能体(Agent)的核心组件，成为搭建AI工具的"乐高积木"。文章通过代码示例展示了LCEL如何通过管道操作符|组合提示模板、语言模型和输出解析器，构建高效的工作流。重点解析了Runnable接口的统一性和组合能力，并演示了多步骤链和条件链的实现。LCEL在v1.0中的定位转变使其成为构建动态智能体应用的基础框架，为AI开发
2025-11-18 09:40:36
1002
原创 第2篇：Model I/O基础
本文详细介绍了LangChain框架中最基础的Model I/O组件，它是与大模型交互的核心接口。Model I/O由三大核心组件构成：Models（模型）负责调用各种大语言模型，包括LLMs、Chat Models和本地模型；Prompts（提示）提供强大的提示词管理功能，包括基础提示模板、聊天提示模板和少样本提示；Parsers（解析器）将模型输出转换为结构化数据，如字符串、JSON、Pydantic对象和列表等。文章通过丰富的代码示例展示了如何使用这些组件构建AI应用，并强调了它们在LangChain
2025-11-07 14:50:18
1003
原创 第1篇：LangChain简介与环境准备
摘要： LangChain是一个开源框架，用于简化基于大语言模型（LLM）的应用程序开发。其核心价值在于组件化、链式调用和工具集成，解决提示词管理、记忆功能缺失等开发痛点。最新v1版本引入LCEL（LangChain表达式语言）、Middleware机制和标准化Agent构建方式。本文演示了环境配置和首个对话程序，通过ChatOpenAI生成广告语，并介绍了Middleware在复杂场景中的应用。LangChain为开发智能体（Agent）提供了高效工具链，后续将深入探索其核心功能。
2025-11-07 14:47:20
811
原创 从零开始构建PDF文档生成器（二）- 添加页眉页脚
本文介绍了如何为PDF文档添加专业化的页眉页脚功能。首先完善了页面设置管理器，通过PageSettings类实现了页面尺寸、边距等参数的管理，并提供了内容区域、页眉页脚位置的计算方法。然后通过PageElements类实现了具体的页眉页脚绘制功能，支持自定义文本内容、字体大小等配置，页眉包含居中标题和下划线，页脚则显示页码和总页数信息。这些功能使得生成的PDF文档更加专业和规范。文章还详细解释了PDF坐标系统的特点以及内容区域的计算逻辑。
2025-11-02 10:43:10
654
原创 从零开始构建PDF文档生成器（一）- 基础搭建
本文介绍了一个基于Python和ReportLab的PDF文档自动化生成工具。该项目采用模块化设计，包含配置管理、字体处理等核心功能模块。文章详细说明了开发环境搭建步骤，包括创建虚拟环境、安装ReportLab依赖库以及准备中文字体资源。项目结构规划清晰，采用渐进式开发方式，通过配置文件驱动PDF生成过程。重点展示了字体处理器的实现方案，解决了中文显示问题。该项目具有功能强大、中文友好、灵活可扩展等特点，适合需要自动生成复杂PDF文档的应用场景。
2025-11-02 10:41:53
952
原创 第6篇：对话能力实战
本文介绍了如何实现多轮对话能力，重点聚焦上下文管理技术在电商客服场景中的应用。通过轻量化的system message设定客服角色，保存并拼接历史对话(user/assistant消息)，采用低温度参数(0.3)和标准消息格式来保证回复稳定性。文章提供了完整的Python实现代码示例，展示了对话系统如何连贯处理用户从产品咨询到竞品对比再到性能询问的完整交互流程，体现了AI客服的专业性和上下文理解能力。
2025-10-12 09:14:27
344
原创 第5篇：转换能力实战
本文介绍了提示工程中的转换能力，重点解析了格式转换、语言翻译和风格转换三大要素及其在电商客服场景中的应用。通过Python代码示例展示了如何实现客户信息结构化、多语言翻译和回复风格调整等功能，帮助开发者掌握数据标准化、国际化支持和品牌调性统一等关键技术点。文章包含完整的API调用方法和JSON输出示例，为构建智能客服系统提供了实用解决方案。
2025-10-12 09:13:58
213
原创 第4篇：推理能力实战
本文介绍了如何构建AI推理能力系统，包括逻辑推理、情绪分类和主题推断三大核心功能。逻辑推理模块通过分析问题描述，输出可能原因、解决方案、紧急程度和推理过程。情绪分类模块能识别客户反馈中的情绪倾向、强度及关键指标。主题推断模块可提取文本核心主题和关键词。这三个功能共同构成了一个完整的AI推理分析系统，适用于客服场景中的问题诊断、情绪识别和需求分类。通过示例代码展示了各模块的实现方法和输出效果，为构建智能客服系统提供了实用参考。
2025-10-11 10:02:32
338
原创 第3篇：摘要能力实战
本文介绍了文本摘要能力的三个核心要素：文本摘要、信息提取和批量处理，以及它们在客服场景中的应用。通过Python代码示例展示了如何实现基础文本摘要功能，并逐步扩展为特定信息提取和批量处理能力，最后引入缓存机制提高效率。示例包括投诉内容提炼和订单信息提取，输出结果为JSON格式的结构化数据，适用于客服系统的自动化处理需求。
2025-10-11 09:32:59
265
原创 第2篇：优化客服提示词
本文介绍了优化电商客服系统提示词的两个核心原则：清晰具体的提示和给模型思考时间。通过四种策略实现清晰提示：使用分隔符区分输入、结构化JSON输出、条件检查机制和少样本提示。在思考时间方面，提出分步处理流程和教导模型先分析问题再回答的方法。这些优化策略显著提升了客服响应的专业性、准确性和可操作性，同时增强了系统的可维护性和扩展性。测试案例展示了优化后的提示词能生成更结构化和针对性的客服响应，有效处理咨询、投诉等各类问题。
2025-10-10 15:30:34
1150
原创 第1篇：创建基础电商AI客服
本文介绍了两种LLM在客服场景的区别：Base LLM知识广但表达不足，Instruction Tuned LLM更适合客服需求。解释了Token计费机制导致需要控制回复长度，以及温度参数调节回复风格（0.3-0.7为客服理想值）。实践部分展示了一个基础电商客服程序，通过50字内的专业友好回复处理商品咨询，包含API调用代码示例。最后指出该程序虽简单但已具备基本功能，为后续优化奠定基础。
2025-10-10 15:29:17
471
原创 别再为Python找不到模块而头疼了！一招解决复杂项目的导入问题
Python项目中的模块导入问题困扰着许多开发者，特别是当项目具有复杂目录结构时。本文分享了一种优雅的解决方案：动态计算并添加项目根目录到Python搜索路径中。通过获取当前文件的绝对路径，使用os.path.dirname()计算项目根目录，再将其插入sys.path列表前端，可以确保模块导入的正确性。这种方法相比硬编码路径或修改环境变量更灵活可靠，适用于不同运行环境。文章还提供了实际案例和注意事项。
2025-10-02 17:56:05
1162
原创 从零开始：MCP数据库助手（二）- 核心功能实现
本文介绍了如何通过三个核心功能提升AI对数据库的智能操作能力：1）智能搜索相关表名，通过关键词模糊匹配快速定位目标表；2）深度解析表结构，获取字段、主键、索引和外键等详细信息；3）安全执行SQL查询。文中提供了Python代码实现，包括表名搜索的filter_table_names()函数和表结构解析的schema_info()函数，这些功能特别适用于大型数据库系统，能显著提高数据查询效率和分析能力。
2025-10-01 11:08:18
883
原创 从零开始：MCP数据库助手（一）- 基础搭建
MCP DataTools：AI与数据库交互的桥梁 MCP（Model Context Protocol）是为AI助手扩展外部工具能力的标准协议，赋予AI操作数据库等外部系统的"手"。本文介绍了构建MCP数据库工具的实现步骤： 项目采用现代架构设计，使用uv包管理器，分离源码、数据和测试目录 通过DatabaseManager类统一管理数据库连接，支持连接测试、表查询等功能 实现首个MCP工具函数list_tables()，使AI能查询数据库表结构 核心优势： 安全可控的数据库访问 AI
2025-10-01 10:19:50
945
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