ai agent

Large Language Model(LLM)应用开发学习实践（一）阿里云百炼平台（Bailian）与DashScope（灵积）都是阿里云提供的大模型服务产品，二者都基于通义千问（Qwen）等大模型，但在定位、功能、目标用户和使用方式上存在明显区别。整体上两者的关系为互补演进，DashScope 提供原子能力，百炼在此之上构建应用生态。

langchain入门（五）- 用mongodb管理提示词以及以restful service暴露在 LLM 应用从原型走向产品化的过程中，一个常被低估但至关重要的环节是“提示词管理”。早期开发中，提示词往往直接硬编码在 Python 脚本里，看似方便，实则埋下隐患。一旦进入多环境部署、A/B 测试或多团队协作阶段，这种做法会迅速导致配置混乱、版本失控和调试困难。真正健壮的 LLM 应用，其核心竞争力往往不在于模型本身，而在于对提示词、参数和上下文的精细化控制能力。

LangGraph：让AI学会“回头是岸”的智能体架构在大模型应用开发的早期，我们像工厂老板一样，把AI当作一条高效但死板的流水线：输入进来，经过A、B、C几个固定工位，最后吐出结果。这种DAG（有向无环图）模式确实快，可一旦任务复杂一点，比如需要反复试错、中途查资料、甚至“我刚才说错了”，这套系统就直接宕机。LangChain早期的Chain设计正是如此——线性、脆弱、没有“后悔药”。

AI Agent 如何从演示到生产我最近在网上看到一套“Agent 的 12 种核心构建范式”，感觉它实际上很明确的介绍了AI Agent如何从一个演示程序到生产可用的搭建过程和原则。挺完整，就顺手记录、翻译了一下，也补了一点自己在工程视角下的理解。

从玩具到工具：LangChain 入门 (一)本文所用可运行langchain已经按照生产级框架配置，位于csdn的资源下载：从玩具到工具：LangChain 入门教程代码demo

LangChain——如何选择合适的多智能体架构在这篇文章中，我们将讨论：什么时候你真的需要多智能体架构，目前实践中最常见的四种核心模式，以及 LangChain 如何帮助你高效地构建多智能体系统。

Agent Skills 详解：5大核心能力架构与AI Agent落地实践近年来，大语言模型（LLM）推动了自然语言理解和生成的飞跃，但多数应用仍停留在单轮问答模式。若要让 AI 深入业务流程、完成跨系统复杂任务，就必须具备持续执行与动态决策的能力，这正是 Agent Skills 的定位所在。

金智维科技官方

安全稳定，是企业部署智能体的基础在应用智能体进行智能化转型的实践中，很多企业都发现，智能体是否真正安全、稳定、可控，比它是否聪明更重要。

第5课：短期记忆与长期记忆原理 - 学习笔记_5本节课通过实际代码演示，深入讲解短期记忆和长期记忆的工作原理，包括消息加载机制、消息修剪、工具调用等核心概念。

第7课：管理长期记忆的关键架构决策 - 学习笔记_7本节课通过实际代码演示，深入讲解管理长期记忆的关键架构决策，包括生产环境中的注意事项、thread_id的动态生成、用户偏好的存储和检索等核心实现细节。

第2课：深度剖析AI Agent核心模块 - 学习笔记_2本节课深入讲解AI Agent系统的三个核心组件，理解智能体系统是如何工作的。AI Agent系统是以LM（大语言模型）为驱动的，它包含三个关键组件：

第9课：LangMem SDK高效实现长期记忆管理 - 学习笔记_9本节课深入讲解如何通过LangMem SDK高效实现长期记忆管理，包括模型微调的重要性、垂直领域模型训练、AI系统设计边界等核心概念。

第3课：构建AI代理系统面临的挑战 - 学习笔记_3本节课讲解构建AI代理系统时，关于长期记忆的关键架构决策，这是系统设计中的重要挑战。构建AI代理系统时，长期记忆是最核心的挑战之一。

第8课：LangGraph Memory管理机制与实现方案 - 学习笔记_8本节课讲解LangGraph中Memory管理的机制和实现方案，包括长期记忆的向量化存储、生产级AI Agent服务所需的核心能力、多智能体系统等高级主题。

第10课：从零构建生产级AI Agent服务技术方案 - 学习笔记_10本节课全面讲解从零构建生产级AI Agent服务的技术方案，包括完整的技术架构、核心组件、实施步骤、评测优化等全流程内容。

红迅低代码平台（redxun）

安全与合规“红线”下，企业级AI Agent平台如何成为“守护者”而非“风险源”？在企业加速拥抱AI智能体的同时，法务、合规与安全部门的焦虑与日俱增：数据泄露、算法偏见、决策不可解释、监管处罚……这些风险让许多项目踌躇不前。事实上，一个设计周全的企业级AI agent开发平台，恰恰应是企业驾驭AI风险最强的“缰绳”和“安全底座”，而非风险来源。它通过三大核心机制，确保智能化进程在安全合规的轨道上狂飙。

第4课：为什么记忆能力如此重要 - 学习笔记_4本节课深入讲解记忆能力的重要性，以及如何实现短期记忆和长期记忆，通过实际代码演示理解原理。大模型本身不具备记忆能力

第6课：如何管理短期记忆和长期记忆 - 学习笔记_6本节课详细讲解如何在实际项目中管理短期记忆和长期记忆，包括实现步骤、检索机制、存储方案选择等核心内容。

讲透知识图谱Neo4j在构建Agent时到底怎么用（二）在构建面向真实业务场景的智能 Agent 时，我们很快会发现：仅靠大语言模型（LLM）和向量检索（RAG）远远不够。LLM 擅长生成流畅自然的语言，却缺乏对业务规则的精确把握；RAG 能从海量文档中召回相关信息，但无法处理需要多跳推理或结构化判断的问题。当用户问出“我是科技城的，家里空调坏了找谁？”这类问题时，系统若仅依赖关键词匹配或语义相似度，极易给出错误甚至自相矛盾的答案。