语言模型

EmployeeAssistant 智能问答服务：基于 pgvector 与 LLM 的企业知识库助手EmployeeAssistant 是一个面向企业员工的智能问答服务，采用原生 HTML/CSS/JavaScript 前端与 ASP.NET Core .NET 10 后端，结合 EF Core、PostgreSQL/pgvector 以及本地或组织批准的 LLM 服务，实现基于知识库的语义检索问答。系统根据员工提出的问题生成 embedding，从 PostgreSQL/pgvector 中检索最相关的知识库切块，并将检索内容、问题与引用来源一并发送给 chat 模型，通过 SSE 流式返回回答。服务

工作流与 Agent 的工程选型：从“控制权归属“看 LLM 应用架构本文从一道常见的 AI 工程化面试题出发——“什么时候用工作流？什么时候用 Agent？”——梳理工作流（Workflow）与智能体（Agent）的核心差异、适用边界、混合架构实践，以及工程选型时容易踩的"伪 Agent"误区。文章内容兼顾概念辨析与落地参考，适合从事 LLM 应用开发、RAG/agent 框架选型的工程师阅读。

差不多的周周

《MotionLLM：从人体运动和视频理解人类行为》论文核心部分详解论文原标题：MotionLLM: Understanding Human Behaviors from Human Motions and Videos

纪伊路上盛名在

Omni-Mol：用多模态大语言模型构建通用多任务分子模型参考：https://github.com/ChengxinHU/Omni-Mol 文献：https://arxiv.org/abs/2502.01074

多个 MCP Server 怎么编排：数据库 / Redis / Git / 飞书一把梭🔥 写在前面：单个 MCP Server 好写，但当你要让 AI 同时用上「数据库 + Redis + Git + 飞书」四个 Server 时，问题就来了：工具名撞车怎么办？权限边界怎么划？AI 该调哪个？这篇文章用一套编排规范 + 实测数据，把多 Server 的坑一次填平。

今年下半年

从零开始搭建一套大语言模型 + LangGraph 多智能体编排 + RAG 知识库检索** 的智能问答平台本文档仅针对 chat_py_server（后端）与 chat_py_front（前端）两个项目。本系统是一个基于大语言模型 + LangGraph 多智能体编排 + RAG 知识库检索的智能问答平台，面向企业招商/政策等业务场景。

从理论到工程化：构建可靠Agent系统的六大核心工件与实战指南随着大语言模型的快速发展，Agent（智能体）已成为连接LLM能力与真实业务场景的关键桥梁。然而，许多开发者在构建Agent时，往往陷入"Prompt工程"的迷思，认为只要写好提示词、接上API，就能得到一个稳定可靠的Agent系统。事实远非如此。

技术博主实测：2026年大语言模型辅助学习工具横向对比在日常技术交流中，经常有读者问我：“博主，你现在用哪些AI工具辅助学习和技术研究？”作为一名关注AI技术发展的博主，过去一年我陆续测试了多款AI辅助学习工具，涉及论文阅读、代码学习、知识整理等不同场景。这篇文章就把我的实测体验整理出来，供有类似需求的技术学习者参考。

吴佳浩 Alben

构建企业级 DevOps 排错 Agent：从日志告警到自动化修复 PR作者：吴佳浩（Alben）微某信公众某号：全栈架构师笔记系列专栏：《企业级 Agent———打造下一代智能体：企业级 Coding / DevOps Agent》· 第 02 篇

差不多的周周

《MoChat：面向多转弯动作理解和描述的关节分组时空接地多通道大语言模型》论文核心部分详解论文原标题：MoChat: Joints-Grouped Spatio-Temporal Grounding Multimodal Large Language Model for Multi-Turn Motion Comprehension and Description

小模型指令微调：数据混合、模板与过拟合的最小复现监督微调，即 SFT，是用输入及示范回答继续优化模型。预训练提供的能力、示范覆盖的任务、输出格式和评测方式共同决定收益，不能仅凭数据条数解释结果。

艾莉丝努力练剑

【AI大模型接入SDK】Ollama本地大语言模型部署🎬 艾莉丝的简介：需结合业务功能需求与本地硬件配置（显存、内存、算力），选择适配参数量与量化等级的模型。

DSH 插件开发到上架：完整实操手册本文是一份技术实操文档：手把手讲清楚一个 DeepSeek Harness（DSH）插件从「是什么」到「做出来、调试好、发上 GitHub、进插件市场、发上 npm」的完整流程，包括每一步的细节、原理和注意事项。

吴佳浩 Alben

Agent 怎么做自动化评测？构建端到端的 Agent Evaluation 体系作者：吴佳浩（Alben）微某信公众某号：全栈架构师笔记系列专栏：《企业级 Agent 实战指南————企业级 Agent 质量保障体系：Evaluation 与安全防线》· 第 01 篇

从单体到联邦：多Agent架构的必要性与设计哲学在构建复杂的AI Agent系统时，我们常常面临一个架构抉择：是打造一个"全能"的单体Agent，通过集成多种工具调用（Tool Calling）来处理一切任务，还是将其拆分为多个职责单一的"子Agent"，通过协同合作来完成目标？

Agent Skill 自进化架构深度解析：从发现到落地的完整闭环在大语言模型（LLM）应用日益普及的今天，我们常常面临一个核心挑战：如何让一个智能体（Agent）不仅能够理解复杂指令，还能在实际运行中持续学习和优化自身能力，而无需频繁地重新训练庞大的基础模型？

初恋叫萱萱

企业微信智能化办公机器人部署与大语言模型集成实操深度指南在当前数字化协同办公的环境中，企业微信已不再仅仅是一个即时通讯工具，而是演变为企业内部流程自动化与智能化交互的核心终端。通过引入人工智能助手，企业能够实现从琐碎信息处理到复杂业务决策的支持。部署这一体系的第一步，在于正确配置企业微信端的机器人协议入口。

B站计算机毕业设计超人

计算机毕业设计知识图谱(Neo4j)+大语言模型LLM+GraphRAG图检索增强技术的考研院校推荐、分数线预测与智能问答系统(源码+文档+PPT+讲解)温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

蒸馏：从教师软概率到 response 监督的最小复现知识蒸馏指用教师模型提供的监督训练学生模型。教师可以交出完整输出概率，也可以只交出生成文本。前者让学生看见“第二可能答案”与最高分答案的差距，后者保存一条具体行为轨迹。学生容量较小、教师有偏差、迁移样本覆盖不足，都可能限制收益；参数少只是结构属性，效果仍须独立检验。

木圭的AI时代指南

为了跑星火Spark-X2.5，我把 llama.cpp 重新编译了一遍讯飞子公司 9 月 1 日开源了 Spark-X2.5，主打端侧原生 1M 上下文。我看中的是它 4B / 1.7B 两个尺寸——我这张 3070 跑得动。