ai应用开发

我做了一个 Agent Learning Lab：把 AI 应用开发过程做成白盒实验台最近我开发了一个 AI 应用学习项目，叫 Agent Learning Lab。项目地址： https://chat.onekey-ai.top

再让我睡两分钟

【系列预告】AI应用开发实战课：26篇教程覆盖 Prompt、RAG、Agent 与工程化最近在筹备一套「AI 应用开发实战课」系列，计划在 CSDN 系统连载。目标读者：有编程基础、会从「调 API」进阶到「能上线 AI 产品」的开发者。

我用 Claude Code 搭了一个远程 Claude web：手机发指令，本地电脑自己写代码最近我用 Claude Code 做了一个自己的 Claude Web 项目。这个项目的核心目的很简单：

AI 产品模型评测工具怎么选？用 Promptfoo / DeepEval / Ragas 找到最低可用模型前面第 4 篇我们讲了一个核心方法：同一批真实任务 + 同一套评分标准 + 多个模型横向测试 = 找到最低可用模型。

从 Prompt 对话到 OpenClaw：Agent 是怎么一步步发展出来的？现在很多人一提 Agent，就会想到：但 Agent 不是一开始就长这样。它是从最普通的 Prompt 对话，一步步演化出来的。

day05-llm-sampling-params你有没有遇到这种情况：同样的 Prompt，第一次给出了一段精彩的代码，第二次却输出了完全不同的废话？这不是玄学，是采样参数在作怪。

day04-prompt-pitfalls作者：实战 LLM 开发工程师 | 踩坑时长：18 个月 | 项目：10+ 个 AI 落地项目本文收录真实踩坑案例，附优化前后效果对比，全文约 8000 字，建议收藏慢慢看。

小智医疗-尚硅谷Java大模型应用项目课程视频一套针对Java程序员的大模型应用项目实战LangChain4j + RAG + 向量数据库 + Function Calling

奋斗的老史

Spring AI + Docling 企业级文档解析完全指南摘要：本文从入门到精通，详细介绍如何在 Spring Boot 项目中集成 Docling 文档解析服务。包含环境搭建、配置详解、661 行核心代码逐行解析、请求参数详解、返回数据处理、向量存储集成、生产级优化方案和完整测试用例。看完本文即可独立实现企业级文档解析功能。

基于 4SAPI 的 GPT-Codex 本地部署与全功能配置实战教程GPT-Codex 作为 OpenAI 推出的顶级代码生成模型，凭借其强大的代码理解、生成、调试和重构能力，已经成为开发者提升编程效率的利器。但官方接口存在国内访问不稳定、延迟高、限流严重等问题，严重影响使用体验。

奋斗的老史

基于SpringAI开发的通用RAG脚手框架，适配各种场景本文面向后续把这套 RAG 能力接入业务系统的开发者，重点回答三件事：独立工程保留的是一套完整 RAG 子系统，不是简单 demo。

AI agent 开发之嵌入模型和提示词前置知识目录一、认识大语言模型1.1 什么是模型1.2 认识大语言模型1.3 自监督学习和半监督学习1.4 大语言模型的核心特点

奋斗的老史

LangChain4j 进阶实战系列这套文档面向的是想把大模型能力真正落到 Java 项目里的开发者。文章主线不是“这个项目有哪些类、哪些接口”，而是围绕 LangChain4j 的进阶能力讲清楚：为什么要这样设计、怎么一步步落地、真实项目里会遇到什么坑、应该怎样迁移到自己的业务系统。

Java后端的Ai之路

以为AI开发就是调接口？一场25K的面试让我看到真相，原来真正的技术深度在这！核心观点：AI应用开发绝非简单的API调用，而是融合算法理解、系统架构、工程实践、业务洞察的综合性技术领域。

LangChain不是“套壳”——它解决了什么实际问题在前面七篇文章中，我们拆解了Embedding、Transformer、幻觉、Prompt Engineering、RAG、会话管理和API调用。这些知识已经足够你从零开始搭建一个大模型应用。但你一定会遇到一个问题：

skill最佳实践Agent Skills（智能体技能）是给智能体安装的“可复用能力模块”，提供一种执行特定任务或访问特定资源的能力。就像给机器人安装“技能芯片”——每个技能让AI能多做一个新任务。它不是一句 Prompt，而是一整套的「指令 + 知识 + 工具 + 脚本」，在需要时自动加载和使用。

RAG 技术揭秘 —— 从0到1简单实现原生RAG在介绍 RAG 之前，我们先思考，现在的 LLM 有什么问题？我们用一个经典的例子说明。我们给猴子一个打字机，让它随便打字，如果这个实验拉长到时间是无限的。

零基础入门 LangChain 与 LangGraph（八）：真正让 Agent“活起来”——持久化、记忆、人机交互与时间旅行💬 开篇：上一篇我已经把 LangGraph 最重要的第一层地基搭起来了：它不是普通的链式调用，而是一个用 State、Node、Edge 组织起来的有状态工作流系统。但如果我只停在“会建图”，其实还远远不够。因为真实的 AI 应用一旦开始变复杂，真正难的往往不是“下一步走哪条边”，而是另外几个更硬核的问题：

零基础入门 LangChain 与 LangGraph（九）：LangGraph 收官——运行时上下文、流式输出、子图、与项目结构💬 开篇：前面两篇已经把 LangGraph 最核心的地基搭起来了。第一篇解决的是“图怎么建”，也就是 State、Node、Edge、工作流、Agent 这些最基础的结构问题；第二篇解决的是“图怎么长期活着跑”，也就是持久化、记忆、人机交互和时间旅行。但真正到了想做项目的时候，还有最后一层能力必须补齐：一个图，怎么把用户身份、配置信息、数据库连接这种运行期依赖带进来？怎么把执行过程流式暴露出来？怎么把复杂系统拆成子图来开发？最后又怎么把整个 LangGraph 应用组织成一个真正可运行、可调试、可

零基础入门 LangChain 与 LangGraph（七）：真正理解 LangGraph——从工作流、状态图到三个核心案例💬 开篇：前面六篇已经把 LangChain 这条线基本跑通了：模型怎么接，Prompt 怎么写，输出怎么约束，RAG 怎么把外部知识接进来，到这里为止，我们已经具备了“做一个基础 LLM 应用”的能力。但接下来真正遇到的问题，已经不是“会不会调模型”，而是：怎样把一个需要多步决策、状态传递、工具调用、分支跳转、失败恢复、人工介入的系统真正组织起来？