环境搭建与第一个Agent初体验

Coder小相2026-05-25 10:35

一、本章导学

欢迎来到 LangChain 实战的第一站。在上一篇中，我们理解了从 LLM 到 Agent 的演进逻辑------LLM 是"大脑"，工具是"手脚"，框架是"神经系统"。现在，我们要亲自动手搭建这条神经系统，让一个真正的 Agent 跑起来。

学习目标：

  • 搭建完整的 LangChain 1.0 开发环境
  • 理解 create_agent 的三要素：Model、Tools、Prompt
  • 编写并运行第一个具备工具调用能力的 AI Agent

前置知识：已完成第 01 篇的学习，了解 LLM 基本概念、Token、温度参数等基础知识。

最终效果：一个能查询时间、做简单计算、自由对话的 AI Agent。

flowchart LR A["第 01 篇
LLM 基础概念"] --> B["第 02 篇
环境搭建与初体验
📍 你在这里"] B --> C["第 03 篇
模型集成详解"] C --> D["第 04 篇
生态全景"] style B fill:#4CAF50,color:#fff,stroke:#2E7D32 style A fill:#E8F5E9,color:#333 style C fill:#E8F5E9,color:#333 style D fill:#E8F5E9,color:#333

上图展示了本篇在整个系列中的位置------承上启下，是从理论走向实战的关键节点。

二、环境搭建

2.1 Python 环境准备

LangChain 1.0 要求 Python 3.10 及以上。推荐使用 Python 3.11 或 3.12，这两个版本在性能和兼容性方面表现最佳。先检查当前版本：

bash 复制代码 
python --version
# 输出: Python 3.12.x

如果你还没有安装 Python，或者版本过低，推荐使用 uv 来管理。uv 是用 Rust 编写的 Python 包管理器，安装速度比传统 pip 快 10-100 倍，而且自带 Python 版本管理能力。

bash 复制代码 
# 安装 uv（Windows PowerShell）
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

安装完成后，创建项目并初始化：

bash 复制代码 
# 创建项目根目录
mkdir agent-design
cd agent-design

# 使用 uv 初始化项目
uv init

# 锁定 Python 版本
uv python pin 3.12

# 验证 Python 版本（必须使用 uv run python）
uv run python --version
# 输出: Python 3.12.x

2.2 安装 LangChain 1.0

LangChain 1.0 的包结构做了大幅精简。核心安装只需要几个包：

bash 复制代码 
# 使用 uv
uv add langchain
uv add langgraph
uv add langchain-openai
uv add python-dotenv

每个包的职责如下：

包名 作用 是否必须
langchain 主包，提供 create_agent 等高层 API ✅ 必须
langgraph 图编排框架，create_agent 底层依赖 ✅ 必须
langchain-openai OpenAI 兼容模型的适配层 ✅ 必须
langchain-core 核心抽象层（被 langchain 自动安装） 自动
langchain-community 第三方集成（搜索、计算器等） 按需
python-dotenv 从 .env 文件加载环境变量 ✅ 推荐

一个常见误区：很多人以为安装了 langchain 就能直接用 OpenAI 的模型，实际上还需要单独安装 langchain-openai。这是有意为之的设计------每个模型提供商的集成是独立的包，避免安装不需要的依赖。

安装完成后验证版本：

bash 复制代码 
# 使用 uv
uv run python -c "import langchain; print(langchain.__version__)"

# 使用 pip
python -c "import langchain; print(langchain.__version__)"
复制代码 
1.2.15

确保 langchain 版本 ≥ 1.0.0，create_agent 是 1.0 之后的新 API。

2.3 API Key 配置

在开始编码之前，需要准备一个可用的大模型 API。对于国内开发者，推荐使用硅基流动（SiliconFlow） 平台------它是一站式大模型云服务平台，提供多种开源模型的 API 服务，学习初期可以使用免费额度，大幅降低学习成本。

2.3.1 注册硅基流动并获取 API Key

注册登录硅基流动官网，进入"API 密钥"页面，点击"创建密钥"，复制生成的 API Key。

然后在模型广场搜索 Qwen/Qwen3-8B，复制模型名称备用。

2.3.2 配置 .env 文件

在项目根目录创建 .env 文件：

env 复制代码 
# 替换为你的 SiliconFlow API Key
API_KEY=sk-YOUR_API_KEY
# SiliconFlow API 地址
BASE_URL=https://api.siliconflow.cn/v1
# 模型名称（从模型广场复制）
MODEL_NAME=Qwen/Qwen3-8B

2.3.3 其他平台配置

如果你使用其他模型提供商，只需更换 .env 中的三个配置项，上层代码完全不用改动：

平台 BASE_URL MODEL_NAME
硅基流动 https://api.siliconflow.cn/v1 Qwen/Qwen3-8B
DeepSeek https://api.deepseek.com deepseek-chat
阿里云百炼 https://dashscope.aliyuncs.com/compatible-mode/v1 qwen-plus
OpenAI https://api.openai.com/v1 gpt-4o

安全提示：永远不要把 API Key 硬编码在代码中。.env 文件应加入 .gitignore，避免提交到版本控制。

2.3.4 配置 .gitignore

为了防止 API Key 泄露，务必在项目根目录创建 .gitignore 文件：

bash 复制代码 
# .gitignore
.env
.venv/
__pycache__/

下图展示了完整的项目目录结构：

flowchart TD ROOT["agent-design/"] --> ENV[".env
API Key 配置"] ROOT --> PY["pyproject.toml
项目依赖声明"] ROOT --> HELLO["hello_agent.py
第一个 Agent 示例"] ROOT --> DEMO["demo_access_model.py
模型接入测试"] ROOT --> VENV[".venv
虚拟环境（uv 自动管理）"] ENV -.->|"dotenv 加载"| HELLO PY -.->|"uv 管理依赖"| VENV style ENV fill:#FFF3E0,stroke:#E65100 style HELLO fill:#E8F5E9,stroke:#2E7D32 style DEMO fill:#E3F2FD,stroke:#1565C0

如上图所示，项目结构非常简洁：.env 管理密钥，pyproject.toml 声明依赖，Python 脚本实现功能。uv 会根据 pyproject.toml 自动在 .venv 中管理虚拟环境。

三、create_agent 三要素

create_agent 是 LangChain 1.0 提供的新一代智能体构建 API。创建一个 Agent 只需要三个要素：Model（模型）、Tools（工具）、Prompt（提示词） 。它们之间的关系如下：

flowchart TB subgraph "create_agent 三要素" M["🧠 Model
大语言模型
Agent 的「大脑」"] T["🔧 Tools
工具函数
Agent 的「手脚」"] P["📝 Prompt
系统提示词
Agent 的「行为准则」"] end M --> AGENT["create_agent()"] T --> AGENT P --> AGENT AGENT --> RESULT["一个完整的 AI Agent
能思考、能行动、有个性"] style M fill:#E3F2FD,stroke:#1565C0 style T fill:#E8F5E9,stroke:#2E7D32 style P fill:#FFF3E0,stroke:#E65100 style AGENT fill:#F3E5F5,stroke:#7B1FA2 style RESULT fill:#4CAF50,color:#fff,stroke:#2E7D32

上图揭示了 create_agent 的核心设计哲学------三要素正交组合。你可以独立地替换模型、增减工具、调整提示词，而不影响其他部分。这种解耦设计使得 Agent 的迭代和维护变得非常灵活。

3.1 Model：选择大模型

Model 是 Agent 的"大脑"，负责理解用户意图、决定是否调用工具、生成最终回答。LangChain 通过 init_chat_model 函数统一了不同模型提供商的接口。

python 复制代码 
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv()

model = init_chat_model(
	model=os.getenv("MODEL_NAME"),
	api_key=os.getenv("API_KEY"),
	base_url=os.getenv("BASE_URL"),
	model_provider="openai"
)

这里的关键设计在于：init_chat_model 兼容所有 OpenAI API 格式的模型。通过 base_url 参数，我们将请求指向硅基流动，而不是 OpenAI 官方。这就是为什么前面说"切换提供商只需改 .env，代码不动"。

先用一个简单的脚本测试模型是否接入成功，创建 02.demo_01_hello_agents.py：

python 复制代码 
# -*- encoding: utf-8 -*-
'''
@File : 02.demo_01_hello_agents.py
@Time : 2026/05/24 21:53:49
@Author : xcy.小相
@Version : 1.0
@Description : 02.环境搭建与第一个Agent初体验
'''

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()

# 接入大模型
model = init_chat_model(
	model=os.getenv("MODEL_NAME"),
	api_key=os.getenv("API_KEY"),
	base_url=os.getenv("BASE_URL"),
	model_provider="openai",
	temperature=0.7
)

response = model.invoke("你好,请用一句话介绍你自己")
print(f"类型: {type(response).__name__}")
print(f"内容: {response.content}")
print(f"Token 用量: {response.usage_metadata}")

运行结果：

bash 复制代码 
(agentdesign) ➜  agentDesign git:(master) ✗ uv run 02.demo_01_hello_agents.py 
类型: AIMessage
内容: 你好！我是Qwen，阿里巴巴集团推出的大规模语言模型，能够帮助你回答问题、创作文字、编程、分析数据等，支持多语言交流，并能根据需求提供实时信息和个性化服务。
Token 用量: {'input_tokens': 15, 'output_tokens': 172, 'total_tokens': 187, 'input_token_details': {'cache_read': 0}, 'output_token_details': {'reasoning': 127}}

模型的返回类型是 AIMessage 对象。content 是文本输出内容，usage_metadata 包含 Token 使用统计，response_metadata 包含模型提供商等详细信息。这些元数据为监控 Agent 行为、分析成本提供了基础。

temperature 参数控制输出随机性：工具调用场景建议 0-0.3（确保准确性），日常对话建议 0.5-0.7（平衡创意和一致），创意写作可以设 1.0+。

3.2 Tools：定义工具

Tools 是 Agent 的"手脚"，让它能执行具体动作------查询时间、搜索网页、读取文件等。LangChain 通过 @tool 装饰器将普通 Python 函数变成 Agent 可调用的工具。

python 复制代码 
from langchain.tools import tool

@tool
def get_current_time() -> str:
    """获取当前的日期和时间。当用户询问现在几点、今天几号时使用此工具。"""
    from datetime import datetime
    now = datetime.now()
    return now.strftime("%Y年%m月%d日 %H:%M:%S")

@tool
def add_numbers(a: int, b: int) -> int:
    """将两个整数相加并返回结果。当用户需要做加法计算时使用此工具。"""
    return a + b

定义工具有三个关键点：

  1. ​ ​@tool​ ​ ** 装饰器**：将普通函数注册为 LangChain Tool
  2. docstring（函数文档字符串） ：这是模型理解工具用途的唯一信息来源------它决定了模型在什么场景下会调用这个工具。写清楚"什么时候用"比"怎么用"更重要
  3. 类型注解 ：参数和返回值的类型注解（如 a: int, -> str）告诉模型和框架这个工具接收什么参数、返回什么数据

关于工具的更多高级用法（多参数、嵌套工具、MCP 协议等），我们会在第 05 篇深入展开。

3.3 Prompt：系统提示词

Prompt 是 Agent 的"行为准则"，通过 system_prompt 参数设定。它定义了 Agent 的角色定位、回复风格和能力边界。

python 复制代码 
system_prompt = "你是一个友好且乐于助人的AI助手。请用中文回答问题。当可以使用工具时，优先使用工具获取准确信息。"

系统提示词的基础用法很直接------用自然语言描述 Agent 应该怎么做。但提示词工程远不止于此：角色设定、输出格式约束、防幻觉策略、多步骤任务分解......这些高级技巧我们会在第 07 篇专门讲解。

目前只需记住一个原则：提示词越具体，Agent 的行为越可预测。一个好的提示词至少应包含角色定位和能力说明。

四、代码实战：第一个 Agent

环境准备好了，三要素也理解了，现在把它们组合起来，创建一个完整的 AI Agent。 先导入对应的包:

python 复制代码 
# -*- encoding: utf-8 -*-

'''
@File : 02.demo_01_hello_agents.py
@Time : 2026/05/24 21:53:49
@Author : xcy.小相
@Version : 1.0
@Description : 02.环境搭建与第一个Agent初体验
'''

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
from langchain.tools import tool
from langchain.agents import create_agent
from langchain_core.messages import AIMessageChunk

4.1 最简 Agent

先从最简单的开始------一个没有工具的纯对话 Agent：

python 复制代码 
# 加载环境变量
load_dotenv()

system_prompt = "你是一个友好且乐于助人的AI助手。请用中文回答问题。当可以使用工具时，优先使用工具获取准确信息。"

# 接入大模型
model = init_chat_model(
	model=os.getenv("MODEL_NAME"),
	api_key=os.getenv("API_KEY"),
	base_url=os.getenv("BASE_URL"),
	model_provider="openai",
    temperature=0.7
)

agent = create_agent(
    model=model,
    tools=[],
    system_prompt=system_prompt,
)

result = agent.invoke({"messages": [{"role": "user", "content": "你好，请介绍一下你自己"}]})
print(result["messages"][-1].content)

运行结果：

bash 复制代码 
➜  uv run hello_agent.py
你好！我是一个AI助手，可以帮你回答各种问题、提供建议和进行对话。有什么我能帮你的吗？

没有工具的 Agent 本质上就是一个增强版的聊天机器人------它受系统提示词约束，但没有"行动"能力。接下来，我们加上工具。

4.2 添加工具的 Agent

基于文件 02.demo_01_hello_agents.py继续处理，这是一个完整的、可直接复制运行的 Agent 示例：

python 复制代码 
# -*- encoding: utf-8 -*-
# 加载环境变量
load_dotenv()

# 定义工具函数
@tool
def get_current_time()->str:
    """获取当前的日期和时间。当用户询问现在几点、今天几号时使用此工具。"""
    from datetime import datetime
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

@tool
def add_numbers(a:int,b:int)->int:
    """将两个整数相加并返回结果。当用户需要做加法计算时使用此工具。"""
    return a+b

tools = [get_current_time,add_numbers]

system_prompt = "你是一个友好且乐于助人的AI助手。请用中文回答问题。当可以使用工具时，优先使用工具获取准确信息。"

# 接入大模型
model = init_chat_model(
	model=os.getenv("MODEL_NAME"),
	api_key=os.getenv("API_KEY"),
	base_url=os.getenv("BASE_URL"),
	model_provider="openai",
    temperature=0.7
)

agent = create_agent(
    model=model,
    tools=tools,
    system_prompt=system_prompt,
)

questions = [
        "现在几点了？",
        "帮我算一下 387 + 624 的和等于多少？",
        "介绍一下你自己",
]

for question in questions:
    print(f"\n{'='*60}")
    print(f"用户: {question}")
    response = agent.invoke({"messages":[{"role":"user","content":question}]})
    # 打印最新一条回复内容
    ai_message = response["messages"][-1]
    print(f"助手: {ai_message.content}")

代码解析：

  1. 导入部分 ：init_chat_model（模型统一接入）、@tool（工具装饰器）、create_agent（Agent 构建 API）
  2. 工具定义 ：两个简单工具------get_current_time 返回当前时间，add_numbers 做加法
  3. Agent 创建 ：将三要素（model、tools、system_prompt）传入 create_agent
  4. 调用方式 ：agent.invoke() 接收包含 messages 的字典，返回完整的消息历史
  5. 结果提取 ：result["messages"][-1].content 获取最后一条 AI 消息的文本内容

4.3 运行效果展示

bash 复制代码 
➜ uv run hello_agent.py

============================================================
用户: 现在几点了？
助手: 现在是23点37分55秒。您需要我帮您做些什么吗？

============================================================
用户: 帮我算一下 387 + 624 的和等于多少？
助手: 387加上624等于1011。

============================================================
用户: 介绍一下你自己
助手: 你好！我是一个由通义实验室开发的AI助手，名叫Qwen，基于强大的Qwen模型构建。我的设计目标是成为你的得力伙伴，无论是回答问题、创作文字，还是进行逻辑推理和数学计算，都能提供帮助。比如，我可以帮你查询当前时间，或者计算两个数的和。如果遇到需要调用工具的情况，我会明确提示并使用相应的功能来协助你。有什么问题或需要帮助的地方吗？😊

注意观察三个问题的不同行为：前两个问题触发了工具调用（时间查询、加法计算），第三个是纯对话。Agent 自动判断 了哪些问题需要调用工具------这就是 ReAct（Reasoning + Acting）模式的核心能力。

下图展示了用户与 Agent 之间的完整交互流程：

sequenceDiagram participant U as 用户 participant A as Agent participant L as LLM 模型 participant T as Tool 工具 rect rgb(232, 245, 233) Note over U,T: 场景一：需要工具调用（"现在几点了？"） U->>A: 提问："现在几点了？" A->>L: 发送问题 + 工具列表 L-->>A: 返回 tool_calls: get_current_time() A->>T: 执行 get_current_time() T-->>A: "2026年4月23日 14:35:28" A->>L: 发送工具结果 L-->>A: 生成最终回答 A-->>U: "现在是2026年4月23日 14:35:28。" end rect rgb(227, 242, 253) Note over U,T: 场景二：无需工具（"请介绍你自己"） U->>A: 提问："请介绍你自己" A->>L: 发送问题 + 工具列表 L-->>A: 直接生成回答（无需调用工具） A-->>U: "我是一个AI助手......" end

上图清晰地展示了 Agent 的两种决策路径：当模型判断需要工具时，执行"思考→调用→整合"的三步循环；当判断不需要工具时，直接生成回答。这个决策过程完全由模型自主完成。

4.3.1 查看完整的消息链路

如果想深入了解 Agent 的内部思考过程，可以遍历 result["messages"]：

python 复制代码 
result = agent.invoke({"messages": [{"role": "user", "content": "现在几点了？"}]})

for msg in result["messages"]:
    print(f"类型: {type(msg).__name__}")
    print(f"内容: {msg.content}")
    if hasattr(msg, "tool_calls") and msg.tool_calls:
        print(f"工具调用: {msg.tool_calls}")
    print("---")

运行结果：

yaml 复制代码 
类型: HumanMessage
内容: 现在几点了？
---
类型: AIMessage
内容:
工具调用: [{'name': 'get_current_time', 'args': {}, 'id': 'call_abc123'}]
---
类型: ToolMessage
内容: 2026年4月23日 14:35:28
---
类型: AIMessage
内容: 现在是2026年4月23日 14:35:28。
---

这就是 Agent 的完整思考链路：HumanMessage（用户问题）→ AIMessage（含 tool_calls，模型决定调用工具）→ ToolMessage（工具执行结果）→ AIMessage（最终回答）。LangChain 自动管理了这个消息链路的传递，开发者只需关注工具定义和结果获取。

4.3.2 流式输出

在实际应用中，等待 Agent 完成全部思考再返回结果可能会让用户等很久。LangChain 提供了流式输出来解决这个问题，有两种常用模式：

python 复制代码 
# 值流模式：逐步显示每个执行步骤（调试用）
for step in agent.stream(
    {"messages": [{"role": "user", "content": "现在几点了？"}]},
    stream_mode="values"
):
    step["messages"][-1].pretty_print()

# 消息流模式：逐 Token 输出 AI 的文本回复（面向用户）
for token, metadata in agent.stream(
    {"messages": [{"role": "user", "content": "请用一句话介绍你自己"}]},
    stream_mode="messages"
):
    if isinstance(token, AIMessageChunk) and token.content:
        print(token.content, end="", flush=True)

为什么消息流模式要加过滤？ stream_mode="messages" 会产出所有类型的消息块------包括 HumanMessage 块（用户输入）、ToolMessage 块（工具结果）、以及 AI 构建工具调用时的空内容块。只有 AIMessageChunk 且 content 非空时，才是真正面向用户的文本回复。不加过滤会导致输出混杂用户输入和垃圾空串。

两种模式的区别：值流模式 （values）在每个执行步骤完成后输出中间数据，会显示完整的消息对象（含 tool_calls 等信息），适合调试和观察决策过程；消息流模式（messages）逐 Token 输出 AI 的纯文本回复，适合面向用户的聊天界面。在实际开发中，面向用户推荐消息流模式，调试阶段推荐值流模式。

五、常见陷阱与调试

环境搭建和 Agent 开发中有一些常见的"坑"，本节汇总了最常遇到的几个问题及解决方案。

5.1 API Key 配置错误

症状 ：openai.AuthenticationError: Incorrect API key provided

这是最常见的入门问题。排查步骤：

python 复制代码 
import os
from dotenv import load_dotenv
load_dotenv()

key = os.getenv("API_KEY")
print(f"API Key 是否加载: {key is not None}")
print(f"API Key 前6位: {key[:6] if key else 'None'}")

常见原因：

  • .env 文件不在项目根目录（与 .py 文件同级）
  • 环境变量名拼写错误（应该是 API_KEY）
  • API Key 前后有多余的空格或引号（.env 文件中值不需要加引号）
  • load_dotenv() 忘记调用

正确的 .env 写法（注意没有引号、没有空格）：

env 复制代码 
API_KEY=sk-abc123def456
BASE_URL=https://api.siliconflow.cn/v1
MODEL_NAME=Qwen/Qwen3-8B

5.2 包版本冲突

症状 ：ImportError: cannot import name 'create_agent' from 'langchain.agents'

create_agent 是 LangChain 1.0 的新 API，旧版本中没有。检查并升级：

bash 复制代码 
uv pip show langchain langgraph langchain-core
uv pip install --upgrade langchain langgraph langchain-openai langchain-core

版本兼容性要求：langchain >= 1.0.0、langgraph >= 0.4.0、langchain-openai >= 0.3.0。如果你之前安装过 langchain 的 0.x 版本，建议先卸载再重装：

bash 复制代码 
uv pip uninstall langchain langchain-core langgraph
uv pip install langchain langgraph langchain-openai python-dotenv

5.3 模型名称写错

症状 ：openai.NotFoundError: The model xxx does not exist

模型名称必须与平台上的完全一致，包括大小写和斜杠。建议直接从平台的模型广场复制模型名称，避免手动输入出错。

5.4 工具没有被调用

症状：Agent 直接回答了问题，但没有调用定义的工具。

可能原因：

  • docstring 不够清晰 ：模型不知道什么时候该用这个工具。比如 """获取时间""" 比 """获取当前的日期和时间。当用户询问现在几点、今天几号时使用此工具。""" 效果差很多
  • 模型不支持 Tool Calling：部分小模型（< 3B）可能不支持工具调用功能，建议使用 7B 以上的模型
  • 问题本身不需要工具：如果用户问"你好"，Agent 不调用工具直接回答是正确行为

5.5 网络连接问题（国内用户）

症状 ：openai.ConnectionError 或请求超时

如果你使用硅基流动等国内平台，通常不会有网络问题。但如果直接调用 OpenAI 官方 API，需要确保网络连通。解决方案：

  • 使用国内聚合平台（硅基流动、阿里云百炼等）
  • 使用本地模型（如 Ollama），完全不需要外网

六、本章小结

本章完成了从零到一的全过程：

核心知识点回顾：

  1. 环境搭建 ：使用 uv 或 pip 安装 langchain、langgraph，通过 .env 文件管理 API Key
  2. create_agent 三要素：Model（大脑）+ Tools（手脚）+ Prompt（行为准则），三者正交组合，可独立替换
  3. 工具定义 ：@tool 装饰器 + 清晰的 docstring + 类型注解，是定义工具的三个关键
  4. Agent 调用 ：invoke() 同步调用、stream() 流式输出，消息链路 HumanMessage → AIMessage → ToolMessage → AIMessage
  5. 常见陷阱：API Key 配置、包版本冲突、模型名称拼写、工具 docstring 质量

下章预告：第 03 篇将带你鸟瞰 LangChain 1.0 的生态系统------七大核心组件、包结构精简、0.x 到 1.0 的迁移要点，以及 LangChain 与 LangGraph 的关系与分工。

七、扩展阅读

相关推荐
钓了猫的鱼儿11 小时前
基于深度学习+AI的牛多目标行为目标检测与预警系统（Python源码+数据集+UI可视化界面+YOLOv11训练结果）
人工智能·深度学习·目标检测
小小工匠11 小时前
Agent 不止于 Chat：垂直 AI 时代的协作界面重构
人工智能·agent
小鱼~~11 小时前
RAG项目简介
人工智能
莱歌数字11 小时前
气动-热协同设计 + 数字孪生热控：从概念分离到在线闭环的技术融合
人工智能·科技·cae·液冷散热·散热齿
江恻11 小时前
Codex安装ECC
ai编程
hh.h.11 小时前
昇腾CANN ops-blas 仓：GEMM分块参数调优实战
人工智能·gemm·cann·ops-blas
googoe11 小时前
AI 编程工具深度解析：从 PSI 到 LSP，从 IDE 到 Agent
人工智能
米小虾11 小时前
AI Agent 工作流编排：从概念到实战的完整指南
人工智能·agent
冰西瓜60011 小时前
深度学习的数学原理（三十八）—— Transformer 完整训练代码实战
人工智能·深度学习·transformer
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法04裂开！ChatGPT 居然开始要手机号验证，附详细解决方法05CC-Switch & Claude 基于 Linux 服务器安装使用指南06【AI】2026 年具身智能模型和世界模型总结07Codegraph 实战：用知识图谱让 AI 编程效率翻倍08几个好用的ip纯净度检测网站09Cursor 接入 DeepSeek‑V4‑Pro 完整指南（2026 实测）10装上就回不去了：CodeGraph 让 AI 编程效率飙升 92%，它到底做了什么？