大模型应用

Dify 中级实验（14）：对话变量与状态管理——如何让工作流记住多轮对话的状态？Dify 实验系列 · 中级 14/20 | 实验编号：DIFY-102-15上一篇：Dify 中级实验（13）：多 Agent 协作——如何编排多个智能体分工干活？

大模型应用CI/CD全流程解析：打通模型训练、评估、部署自动化，应用持续迭代实践23.7传统软件的CI/CD大家都已经非常熟悉，写业务代码、提交代码后流水线自动做编译、单元测试、集成测试，通过之后直接部署上线，整个流程高度标准化。但当业务从普通后端业务转向大模型应用之后，我们会发现老一套CI/CD直接水土不服。

向量数据库选型、向量化与检索调优，结合大模型搭建私有文档检索增强完整应用实践23.6很多朋友接触大模型之后都会遇到一个非常现实的痛点：通用大模型知识存在时间截断，不懂企业内部文档、业务资料、私有知识库，直接提问很容易出现幻觉，编造不存在的答案。微调可以让模型学习私有知识，但微调成本高、数据更新麻烦、版本迭代繁琐，小样本场景效果并不理想。

【Java/Go后端手撸原生Agent（第十一篇）：RAG检索——给Agent加上“查资料“能力】系列目录：[Phase 1-2 基础框架] → [Phase 3 状态机+文件读取] → [Phase 4-6 原生FC+Judge校验] → [Phase 5 多工具并行+BashTool] → [Phase 6 流式输出] → [Phase 7 Token预算与滑动窗口] → [Phase 8 摘要压缩] → [Phase 9 规划模式] → [Phase 10 Web UI] → Phase 11 RAG检索（本文）上一篇链接：【Java/Go后端手撸原生Agent（第十篇）：HTTP+SSE+W

低延迟高可用语音交互架构研究：大模型优化 VAD、唤醒与流式转录应用实践方案23.0我们日常应用的手机语音助手、智能车载交互、实时会议转写、客服语音机器人，都离不开一套靠谱的语音系统。语音交互不只是将说话转为文字，原理看似简单，但生产环境要面对噪音干扰、远近拾音、误唤醒、卡顿延迟、断句不准、实时输出等各类复杂问题。

主流大模型能力边界：GPT-4o、Claude3.5、Llama3、Qwen、DeepSeek横向对比22.6很多刚接触大模型的朋友都会陷入同一个困境：网上评测五花八门，各类模型更新速度飞快，看着GPT-4o、Claude 3.5、Llama 3、通义千问Qwen、DeepSeek一堆名字，分不清谁擅长什么、调用要花多少钱、到底能不能部署在自己业务里。

Loop Engineering又是啥？一文讲清企业Agent落地的四层工程进化论为什么你的 Agent 在 Demo 里惊艳，在生产中拉胯？2026 年，几乎每家企业都在谈 AI Agent。

大模型应用-进阶核心技能【13课：第二阶段工程化与部署】前几课我们写的代码都是单文件脚本。但真实的设备维修系统需要：关键原则：关键理解：最小可用的GitHub Actions配置：

大模型应用-进阶核心技能【11课：LangChain核心概念与RAG重构】⚠️ 版本兼容说明：本课代码基于 langchain 1.x。该版本将 schema、text_splitter、chains、memory 等旧 API 迁移至 langchain_classic 兼容包。下方代码示例中的 from langchain.xxx 已同步更新为 from langchain_classic.xxx。新项目推荐使用 langchain_core + langgraph 重写，langchain_classic 仅用于学习与过渡。

大模型上下文工程核心策略解析：窗口管理、消息编排、记忆压缩与检索增强应用实践21.8我记得刚开始学习大模型开发时，会陷入了一个误区：拼命钻研提示词技巧，却忽略了最核心的底层逻辑。也总觉得大模型回答不准、容易失忆、长篇对话跑偏、复杂任务翻车，是Prompt写得不够好，后来才发现，绝大多数情况，问题根本不在“怎么提问”，而在“给模型看什么、怎么管理信息”。

大模型Agent核心架构，详解ReAct、Plan-and-Execute、Reason-Act-Observe循环21.6AI Agent我们也做了很多详细的应用说明，现在我们要做的AI应用也都围绕自主执行来实践，说一千道一万，其底层核心全都离不开Agent架构。我们在早期学习大模型时，总觉得Agent很神秘，看似是大模型自主干活，实则背后是一套固定的架构在驱动。今天我们重点探讨一下ReAct、Plan-and-Execute、Reason-Act-Observe循环这几个核心概念，搞清它们的区别、适用场景，了解在实际开发中该怎么选型、怎么规避坑点。

大模型应用-进阶核心技能【09：Agent之ReAct模式实战】学习目标：从零实现ReAct Agent，让AI像维修工程师一样"想→查→再想→给结论"。

从软件测试角度聊聊“Prompt / Context / Harness区别”有这么一个真实且频发的场景：Agent 在处理长任务时开始「遗忘」前面的步骤，把已经完成的事情重复执行了一遍。大多数团队的第一反应是：提示词问题。于是在 System Prompt 里加上「请注意不要重复执行已完成的步骤」。Agent 好了几天，又犯了。

DeepAgents深度解析：依托MCP与A2A双协议，构建企业级多智能体复杂业务集群应用21.3如今大模型的应用，早已告别了简单聊天、调用基础工具的入门阶段。普通单一大模型能力有限，面对财务核算、供应链调度、全域运维、全链路审批这类复杂、长流程的企业核心业务，根本扛不住、做不完。就算想用多智能体分工协作补齐能力，传统AI框架的短板也会彻底暴露：智能体互相孤立、工具适配成本极高、任务调度混乱、长流程容易上下文溢出、落地稳定性差。最后搭好的AI系统，只能做些简单辅助工作，根本碰不到企业核心业务。

LangChain+LangGraph架构拆解：基于复杂AI任务编排与状态管理的大模型应用开发21.4基本上我们接触大模型应用开发，一开始都是从调用API入门的。简单测一测问答、文本生成，轻轻松松就能实现一个基础应用，上手门槛很低。但真正想落地到实际项目时，大家都会碰到同一个棘手问题：单纯的API调用太“单薄”，根本撑不起复杂业务。一旦需要实现联网检索、工具调用、多步推理、循环纠错、多智能体协作这类高阶功能，原生API的短板就会彻底暴露。如果纯手写代码实现，不仅逻辑杂乱、重复代码多，后期维护、迭代、调试都会非常困难，完全达不到生产环境的落地标准。

AI后端架构应用：详解大模型高并发场景下缓存策略、消息队列与可靠投递设计方案.209我们在做大模型应用开发的过程中，应该都遇到过本地测试对话流畅稳定，一旦上线迎来用户并发访问，就会出现对话中断、上下文错乱、重复回复、请求超时、消息丢失等各种问题。明明模型本身效果没问题，最终用户体验却大打折扣，甚至服务直接雪崩。其实这并不是大模型推理能力的缺陷，而是忽略了大模型专属的后端高并发架构设计。

AI Agent量化评估：LLM-as-Judge、人工标注、A/B测试全解，智能体多维评测实践21.0做过AI Agent开发的朋友应该都有同感，现在搭一个能用的Agent真的太简单了。不管是调用开源模型、拼接Prompt，还是接入各类工具插件，半天就能跑出一个能对话、能执行简单任务的智能体Demo。但真正落地做项目、上线迭代后，大家都会遇到同一个棘手问题：Agent到底算做得好不好？该往哪个方向优化？改完Prompt、调整完逻辑后，是真的变强了，只是运气波动，甚至越改越差？

大模型能力拓展：基于Agent的插件化改造、系统对接、自动化任务全流程应用实践20.8大模型Agent是基于大语言模型的智能自主执行体，是大模型能力的延伸载体。如果把大模型比作人类的大脑，负责思考、推理、决策，那Agent就是人类的手脚和感官，负责感知外部环境、调用工具、执行动作、对接系统、完成具体业务任务。

北京呼叫中心智能化升级完全指南：AI 大模型技术架构与落地实践（2026 版）随着大语言模型技术的快速成熟，呼叫中心正在经历从 "规则驱动" 到 "AI 驱动" 的深刻变革。北京作为全国科技创新中心，聚集了大量 AI 技术服务商和企业用户，呼叫中心智能化升级需求旺盛。本文从技术视角出发，系统梳理智能客服系统的核心技术架构、大模型的六大核心应用场景、主流技术方案对比、实施路径与效果评估方法，并结合北京地区的合规要求和市场特点，给出企业智能化升级的实操建议。文章涵盖 ASR/TTS 语音技术栈、NLP 与大模型技术原理、对话管理系统设计、知识库建设、私有化部署方案等核心技术议题，旨在为

大模型应用-筑基期【11：JSON结构化输出实战】学习目标：让大模型稳定输出结构化的维修工单数据，这是设备维修系统后端的核心能力。你的系统需要把AI的诊断结果存入数据库、生成工单、推送通知。自由文本无法直接处理，JSON才是程序能"理解"的格式。