智能体

dify使用简介全文链接：dify使用简介简单介绍dify使用，根据官方的使用文档讲解，结合开源dsl工作流合集，使用云上dify环境演示。着重介绍dify工作流中图表生成、RAG知识库检索、MCP工具调用等场景的应用。

程序员学习Chat

大模型应用开发-2 上下文工程参考论文：《A Survey of Context Engineering for Large Language Models》

weixin_50913834

从 Move 37 到语义测地线：智能体认知动力学，重写 AGI 的几何底层2016 年，AlphaGo 在与李世石对弈的第二局走出了震惊世界的Move 37。这一手棋完全违背了人类千年来积累的围棋定式，跳出了所有职业棋手的经验框架，却最终导向了胜利，被无数人称作 “神之一手”。近十年之后，2025 年，DeepSeek‑R1 在强化学习过程中自发涌现出 “Wait, let me rethink” 的反思性行为，能够主动对自身推理过程进行修正、回溯与重构，完成了从机械应答到自主逻辑顿悟的关键一跃。这两个相隔近十年的标志性事件，看似只是人工智能在不同任务上的性能突破，实则共同指向

从 Chain-of-Thought 到 Self-Consistency：大模型推理能力是如何被“解锁”的？近年来，大语言模型（LLMs）在自然语言处理任务中取得了突破性进展，但一个长期存在的问题是：它们在复杂推理任务上的表现并不稳定。例如，在数学应用题、常识推理或逻辑推理问题中，模型往往会给出错误答案，即使模型规模已经非常大。

CV-deeplearning

Claw Code：Better Harness Tools，让 AI 真正干实事从 TypeScript 源码泄露到 Python/Rust 双轨重构，一个关于 harness 工程的 cleanroom 实现

智能体+AIoT：未来家居的终极形态，离我们还有多远？当AIoT（人工智能+物联网）已从概念走进千家万户，智能音箱、联动灯光、自动扫地机成为常见配置，我们对“智慧家居”的期待早已超越“被动响应指令”的初级阶段。而智能体技术的崛起，正为AIoT注入“主动思考”的灵魂——未来家居的终极形态，必然是“智能体+AIoT”的深度融合：一个能自主感知、精准决策、持续学习、无缝协同的“家庭智能管家”，它无需繁琐指令，能读懂用户习惯、预判需求，甚至融入情感陪伴，让居住空间真正成为“懂你的伙伴”。那么，这样的终极形态，离我们还有多远？

MicrosoftReactor

技术速递｜使用 Copilot CLI 中的 /fleet 一次运行多个智能体作者：Matt Nigh & Brian LaFlamme 排版：Alan Wang /fleet 允许 Copilot CLI 并行调度多个智能体。学习如何编写提示，将工作拆分到不同文件、声明依赖关系，并避免常见陷阱。

真心喜欢你吖

CentOS 安装部署OpenClaw实战教程（SELinux+防火墙配置）摘要：CentOS是企业级Linux发行版，广泛应用于生产环境。本文详细介绍在CentOS系统上安装部署OpenClaw的完整流程，包括系统准备、YUM源配置、服务化部署、防火墙配置等内容，适合企业级部署场景。

待办清单驱动执行：为什么 Agent 做复杂任务时需要持续更新计划很多人刚开始看 Agent，会先盯着“会不会调工具”这件事。工具当然重要，但一旦任务变成 5 步、8 步、10 步，另一个问题很快就会冒出来:

布吉岛没有岛_

小程序接入智能体本文说一下在小程序里面加一个智能化管理，并且跟我在扣子上搭建的智能体对接需要准备哪些工作。用微信开发者工具打开小程序源码时要选择云开发。

标书智能体（四）——提示词顺序优化，让缓存命中，输入成本直降10倍用 Python + React 打造一个开源的 AI 写标书智能体~完整代码已开源。代码很多，文章只放主要代码和提示词，完整代码可以查看开源项目。

一文吃透 Spring AI Alibaba + MCP：服务端搭建 + 客户端调用全流程MCP（Model Context Protocol，模型上下文协议）是 Anthropic 于 2024 年推出的AI 领域统一连接协议，被称为 “AI 的 USB-C 接口”，核心是让大模型（LLM）通过标准化方式安全、灵活地调用外部工具、数据库、API 与文件系统，打破数据孤岛。

真心喜欢你吖

OpenClaw安装部署Mac操作系统版 - 打造你的专属AI助理摘要：Mac系统是OpenClaw的最佳部署平台之一。本文详细介绍在macOS上安装部署OpenClaw的完整流程，包括环境准备、多种安装方式、权限配置等内容，让Mac用户轻松搭建AI智能体平台。

人工智能培训

大模型Prompt实战：精准生成专业技术文档

工具调用拆解：为什么给 Agent 加能力，不用重写循环刚看完 agents/s02_tool_use.py 的时候，我有一个很强烈的感觉: 这个例子表面上是在“加工具”，本质上其实是在讲一件更重要的事: 一个 Agent 真正稳定的部分，往往不是它会多少工具，而是它有没有一个不用反复推倒重来的执行闭环。

React的预构建creat_agent模块详解京东购书链接前面我们基于原生LangGraph完成了基础React的设置与使用，从工具定义、节点逻辑到图结构搭建都需要手动配置，可以看到，采用全手动实现虽然能精准控制流程，但步骤相对烦琐。

企业级AI智能体平台技术评测：9款产品架构差异与生产落地能力分析现在，大模型已经从“会聊天”进化到了“会干活”，AI智能体（AI Agent）成为这场变革的核心载体。麦肯锡数据显示，2025年已有62%的组织开展AI智能体相关实践，64%的企业认为AI提升了组织创新能力，其中“AI高绩效者”的EBIT贡献超过5%。Gartner预测，到2026年超过80%的企业将在生产环境中部署生成式AI模型或应用。IDC则指出，到2026年，40%的工作岗位将与AI智能体协同，传统职位定义将被重塑。

分布式智能体｜A2A Agent实战随着智能体应用的广泛应用，智能体的分布式部署、跨网络、跨框架、跨组织调用，成为当下智能体落地急需解决的问题。针对这一痛点，Google推出了Agent2Agent（简称A2A）协议，专为智能体之间的互联互通、协同协作提供标准化的解决方案。

AI系统架构设计和设计思想一、总架构二、工具系统的核心功能三、命令系统的核心功能四、服务层的核心功能五、桥接系统的核心功能六、其他

AI时代下的CLI优势与MCP对比小马整理的资料，这篇文章探讨了在AI Agent时代如何为命令行界面（CLI）重新设计，使其更适合AI自动调用。主要观点包括：