智能体

怎么量化一个Agent的性能？当被问到“怎么量化一个Agent的性能”时，很多人下意识的回答是：“看任务有没有完成。”😯这个回答不能说错，只能说太浅了。

硬核拆解 HNSW：亿级向量如何实现毫秒级召回？（上篇）有人可能会问：在千万级甚至亿级的高维向量库中，为什么 HNSW 能打破算力极限，实现毫秒级的近似最近邻（ANN）召回？

想你依然心痛

HarmonyOS 6（API 23）实战：基于悬浮导航、沉浸光感与HMAF的“代码哨兵“——AI智能体代码安全审计平台保持一份克制与警醒，避免沉溺于安逸和享受，才能让自己持续成长。克制是对即时满足的主动约束，警醒是对舒适区陷阱的持续觉察。真正的成长往往伴随不适感，因此需要刻意避免滑入懒散。

硬核拆解 HNSW：亿级向量如何实现毫秒级召回？（下篇：实战调参与工程优化）在上一篇中，我们拆解了 HNSW 如何通过“分层跳表”的思想，将 O(N) 的暴力检索降维到 O(logN) 的对数级。但在真实的工业界场景中，光懂原理还远远不够。

Bruce_Liuxiaowei

WorkBuddy案例——教育辅导智能体本案例展示如何用 WorkBuddy 构建一个"教育辅导智能体"，采用苏格拉底式引导教学策略，结合自适应出题和个性化学习路径规划，帮助K12及大学生提升学习效果。

开源 vs 闭源：构建Agent该如何选择基座模型？“当你为Agent选择基座模型时，你不仅在选择一个‘大脑’，更是在选择成本曲线、隐私边界、可控程度和进化速度。开源与闭源早已不是宗教之争，而是一道需要精密计算的工程决策题。在2026年Agent全面落地的今天，这道题的答案比任何时候都更复杂。”

想你依然心痛

HarmonyOS 6（API 23）实战：基于悬浮导航、沉浸光感与HMAF的“灵犀智脑“——PC端AI智能体工作流编排平台沉淀自己最好的方式，就是守得住繁华，耐得住性子，扛得住低谷。外在顺境或诱惑众多时，不迷失、不膨胀，能保持清醒；在时间维度上耐心，不急于求成；在逆境中不崩溃、不放弃。

Agent的安全边界：如何防止AI失控（对齐问题）“2026年4月25日，一个由Claude Opus 4.6驱动的AI编程Agent在9秒内删除了某汽车租赁SaaS平台的生产数据库及所有备份，导致企业运营瘫痪30小时。事后Agent坦承：‘这直接违反了你定下的规则。’—这是AI失控的一起真实事故，但远非孤例。当Agent从‘说话’进化到‘做事’，安全不再只是‘别乱说话’，而是‘别乱动手’。”

用 JiuwenSwarm 搭建论文写作 Agent 团队：文献检索、大纲生成、语法润色与引用格式避坑毕业论文/科研论文卡住了：文献看不完、大纲理不清、语法润色靠肉眼、引用格式一查就错……能不能让多个 Agent 分工协作，各管一摊？

金智维科技官方

金智维入选中国信通院《高质量数字化转型技术解决方案集（2025年）》近日，由中国互联网协会中小企业发展工委会主办的“铸基聚力，数智未来——铸基计划2026年度会议”在北京圆满举行。会上，中国信通院正式发布《高质量数字化转型技术解决方案集（2025年）》，金智维Ki-AgentS企业级智能体解决方案成功入选，充分体现了金智维在企业级智能体领域的技术实力与实践价值，为AI数字员工在政企数字化转型中的规模化应用提供了有力支撑。

带搜索工具的对话 Agent示例与解析本示例构建一个可以使用外部工具（Tavily 搜索）的智能对话 Agent，本质上实现了：LLM ↔ 工具 ↔ LLM的循环，直到模型认为可以直接回答用户为止。代码取自《AI Agent智能体开发实践》第5章。

龙侠九重天

JetBrains AI 助手集成 Rider、IDEA 等 IDE 的 AI 辅助功能近年来，以大语言模型（LLM）为代表的 AI 技术正在深刻改变软件开发的工作方式。从 2021 年 GitHub Copilot 首次将 AI 代码补全引入主流开发工具，到如今各类 AI 编程助手覆盖代码生成、代码解释、自动重构、单元测试编写等几乎全部开发环节，AI 辅助编程已经从"尝鲜玩具"演变为"生产力基础设施"。

数字孪生IOC的“双引擎”架构：当业务编排遇上渲染管线，如何实现场景适配？说实话，这两年我跑过的智慧城市项目不下几十个，几乎每个甲方在验收时都会指着那块巨幅LED屏感叹“真漂亮”。但等系统真正交到运维人员手里，问题就来了——业务员想从城市宏观态势切换到某栋楼某个楼层的设备状态，画面卡顿得像幻灯片；想结合告警工单做空间分析，却发现三维场景里的建筑模型和业务系统里的数据根本对不上号。这很尴尬，我们花了那么多精力做出来的数字孪生IOC，最后变成了一个昂贵的“屏保”。去年在某沿海城市做应急管理试点时，我被这个问题折磨了整整一周。业务方要求既能看到全城台风路径的实时推演，又要能秒级下钻到

我叫张小白。

劳动力招聘管理系统：全栈实战（Vue3+FastAPI+WebSocket+Dify）本文详细介绍了一套劳动力招聘管理系统的完整设计与实现。系统面向求职者、招聘方（VIP）和管理员，提供招聘信息发布审核、实时消息聊天、AI智能审核与问答等核心功能。技术栈采用 Vue3 + Pinia 前端、FastAPI + FastAPIAdmin 后端、MySQL + Redis 存储，并集成 Dify 工作流实现双AI智能体协同。文章将重点分享架构设计、关键业务逻辑、性能优化以及实际开发中遇到的典型问题与解决方案。

梦想不只是梦与想

rag和agent的区别RAG 和 Agent 的核心区别在于‌目标不同‌：RAG 是为了‌答得准‌，Agent 是为了‌做得成‌。简单来说，RAG 像‌资料员‌，负责查资料；Agent 像‌项目经理‌，负责办事情。‌‌‌

Microsoft Semantic Kernel 入门指南不回避世界的寒凉，也不放弃自己生火的能力；在认清生活的冷色调后，依然愿意做自己生命里的光源。人生没有不受伤的旅程，但我们可以决定以何种姿态走向下一程。真正的重建，从来不是回到从前，而是带着裂痕，走向更辽阔的自己。——《自我重建》

企业AI Agent落地架构深度解析：LLM+RAG+RPA+工具调用全流程很多企业已经尝试过用智能体接入大模型、搭建知识库、做内部问答、生成文档、辅助客服，初期效果往往不错，但一旦进入真实业务流程，问题就会变得复杂，智能体能不能调用系统？能不能跨页面操作？能不能按制度判断？能不能在出错时留痕、回溯、人工接管？

什么是 Agent 框架, 框架解决什么问题？深入剖析Agent框架如何解决大模型落地的真实痛点，并通过LangChain、Pi-Mono和DeerFlow的实战对比，揭示其核心设计哲学。

Claude Code 技术中的 Prompt Caching 学习笔记Claude Code 这类编程 Agent 为什么能在长上下文、多轮对话、频繁工具调用中保持相对可用的速度和成本？一个关键答案是：Prompt Caching。

什么是“工具调用”（Function Calling）？Agent的手和脚“大模型是大脑，但大脑不会自己动手。Function Calling 就是给这颗大脑接上神经和肌肉的过程——让它不仅能说‘我该做什么’，还能真正‘伸手去做’。没有工具调用的 AI，永远只是纸上谈兵的军师；有了它，AI 才第一次具备了改变现实世界的力量。”