agent

MAF快速入门（14）快速集成A2A Agent大家好，我是Edison。最近我一直在跟着圣杰的《.NET+AI智能体开发进阶》课程学习MAF开发多智能体工作流，我强烈推荐你也上车跟我一起出发！

重生之我要成为代码大佬

LangChain-多任务应用开发写在前面：本博客全部基于知乎的大模型课程所做的笔记和整以及和在实操过程中遇到的问题和处理方法，（老师们讲的都很好，解答的也很细致）博主也正在学习中，如果有错误的地方期待和我沟通。大多代码都来自于上课的资料，加入了一些注释和梳理，或者对我没有跑通的代码做了一些修改让他符合我的需求。

「Python算法」计费引擎系统SKILL.md本项目是一个高精度、可扩展的计费引擎系统，专注于解决电商场景下的复杂价格计算问题。系统采用属性测试驱动开发(TDD)方法，确保在各种边界条件下都能正确计算最优价格。

OpenClaw「Clawdbot/Moltbot」深入解析：核心架构深度剖析OpenClaw 是2026年全球最火爆的开源自主式AI Agent项目，由PSPDFKit创始人Peter Steinberger主导开发，历经Clawdbot、Moltbot两次更名后，于2026年1月30日正式定名OpenClaw并完成全生态统一。它的核心定位是本地运行、可自托管的AI执行引擎，打破了传统AI工具仅“提供建议”的局限，让普通用户通过WhatsApp、Telegram、Discord等熟悉的聊天工具，直接指挥AI完成真实可落地的现实任务，是目前开源领域将“Agent智能规划”与“本地执

(LangChain实战5)：LangChain消息模版ChatPromptTemplateChatPromptTemplate是LangChain中用于构建对话式提示词的专用模板。相比普通的PromptTemplate，它能更好地处理多角色对话场景，支持System、Human、AI等多种消息类型。

Claude Skills 笔记整理常见翻车点（高方差）：结论：模型可以 improvise，但放进长链路跑几次，你会害怕它的方差。Skills 更像工程化的“行为中间层”：

让 AI 智能体学会自我进化：Agent Lightning 实战入门当前主流 AI 智能体框架有一个共同的局限：智能体只能按预设逻辑执行任务，无法从运行时反馈中持续学习。模型权重是静态的，提示词需要人工迭代，整个系统缺乏自我优化的闭环。

AI核心知识75——大语言模型之MAS （简洁且通俗易懂版）多智能体协作 (Multi-Agent Systems，简称 MAS) 是目前 AI 应用架构的“版本答案” 。

Clawdbot 部署到飞书（飞连）使用教程（完整版）完成本教程后，你会拥有一套可长期在线的 Clawdbot（Clawd）：Clawd Gateway 在你的服务器/本机常驻运行（默认本地监听 127.0.0.1:18789）

【LLM】多模态智能体Kimi-K2.5模型Kimi K2.5 是 Moonshot AI 发布的开源多模态智能体模型，旨在推动通用智能体智能（General Agentic Intelligence）的发展。该模型采用原生多模态架构，通过文本与视觉的联合优化，以及创新的Agent Swarm（智能体集群）框架，在推理、编程、视觉理解和智能体任务上达到了业界领先水平。

Agent_Skills_完全教程「AI生成」在opencode中使用kimi2.5生成的skil教程。Agent Skills 是由Anthropic开发并开源的一种轻量级、开放式格式，专门用于扩展AI智能体的能力。它是一种标准化的方式，让开发者可以将专业知识、工作流程和特定领域的操作封装成可复用的"技能包"。

LangChain v1.0 中间件深度解析：从 Callback 到 Middleware 的演进【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

Cursor-memory-cli 自动化记忆提取的完整实现一个用于安装和配置 Cursor Memory 系统的命令行工具。Cursor Memory 是一个持续学习系统，可以从 Cursor 会话中提取结构化记忆，并将其编码为可查询的 JSON 记录，供跨会话调用。

OpenClaw部署与配置教程：在Mac mini上接入国产大模型与飞书新手暂时无需添加额外技能包，选中 “No” 跳过，按回车键确认；选中 “Memory”（启用记忆功能，支持多轮对话上下文关联，避免每次聊天都需要重复说明需求），按回车键确认；

技术解析｜中国智能体4类路径深度拆解，这类底座架构优势凸显回看过去一年国内AI产品的关键词，“智能体”几乎是出现频率最高的那个。从通用Agent、办公Copilot，到行业智能体、企业级智能体平台，几乎所有做大模型的公司，都在用自己的方式回答同一个问题：AI，究竟该如何真正进入生产系统？

告别 AgentExecutor：LangChain v1.0+ Agent 模块深度迁移指南与实战全解析【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

AI核心知识74——大语言模型之ReAct 范式（简洁且通俗易懂版）ReAct 范式是 Reasoning（推理）+ Acting（行动）的缩写。它是目前构建 AI Agent（智能体）最主流、最核心的模式。

LlamaIndex实用入门案例（可执行）python 01_simple_llm_chat.pypython 02_simple_rag.py

LangChain入门（十三）- 6步实操Agent落地大法过去几年，大模型和 Agent 的讨论铺天盖地，但多数团队卡在同一个问题上：知道 Agent 很强，却不知道第一步该写什么代码。产品经理画了流程图，工程师接了 API，结果跑起来发现 AI 根本理解不了用户意图；或者能跑通几个例子，一上线就幻觉频出、成本飙升。问题不在技术，而在方法——我们沿用了传统软件开发的思维去构建一个概率性系统。Agent 不是功能模块的堆砌，而是推理链的编排。它需要一套全新的启动逻辑：先验证理解能力，再接入工具；先明确边界，再扩展场景。LangChain 团队在大量实践中总结出一套

快速使用Python实现一个AI Agent