agent

LangChain v1 重大更新讲解⚠⚠⚠为什么没有先发布demo教学而是先发布一个什么重大更新因为langchain更新了，更新还挺多的所以建议大家还是从新版本开始学习

LangGraph智能体开发快速入门LangGraph受到诸多引领智能体（agent）未来发展的企业信赖，包括 Klarna、Replit、Elastic等。它是一款底层编排框架与运行时环境，用于构建、管理和部署长期运行的有状态智能体。 LangGraph属于底层的工具，它专注于智能体编排所需的核心底层能力，包括持久化执行（durable execution）、流式处理（streaming）、人机协同（human-in-the-loop）等。

大模型教程

大模型平民化：3块钱、2小时，MiniMind开源项目全解析本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。印象里大模型参数动辄千亿万亿，训练成本更是天文数字，感觉像是普通人遥不可及的“屠龙之术”。但今天想跟你们聊个有意思的反例，一个叫 MiniMind 的开源项目，它反其道而行之，主打一个“大道至简”。

大模型教程

大模型（Qwen3）训练实战：从零开始玩转LLaMA-Factory本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。这一篇来整体讲一下大模型的训练和微调，选用的大模型依然是大模型（Qwen3） ,训练和微调的框架使用的是LLaMA-Factory。

AAA修煤气灶刘哥

Y-Agent Studio ：打破 DAG 的“无环”铁律？揭秘有向有环图如何让智能体真正“活”起来一句话总结：传统工作流引擎被“无环”限制得太久，Y-Agent Studio 引入有向有环图（DAG+Loop），终于让 AI Agent 能像人一样“循环思考、反复验证、动态决策”。

工程师学AI之第三篇03：线性代数点积运算助你理解大模型注意力机制本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。在AI的世界里万物皆向量，向量可以用统一的方式表示一切信息：图片-像素，文字-编码，声音-频率特征向量，文件-向量化。前文介绍了线性代数：标量、向量、矩阵、张量；矩阵乘法、转置、点积运算等基本知识。深度学习的本质就是数学运算，而向量和矩阵是基石。神经网络的前向传播、反向传播、梯度下降，都离不开向量和矩阵运算。

工程师学AI之第四篇：大模型的参数规模与哪些因素有关？本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。本章我们开始学习大模型算法理论、网络结构及其工作原理，正式开始之前我们先关注几个问题，宏观上理解大模型的概貌。

LangSmith Studio 调试智能体本文分享如何使用LangSmith Studio调试智能体。LangSmith部署界面中的Studio（工作室）功能支持连接两种类型的图（Graph）智能体：

大模型真好玩

Gemini3.0深度解析，它在重新定义智能，会是前端工程师噩梦吗？大家是否曾畅想过，通用人工智能（AGI）真正到来时会是什么样子？对笔者而言，希望它是一个真正懂用户的“私人教师”：当用户希望学习某个知识点时，它能一键生成可交互的前端应用，通过动态演示与引导式操作，让用户在实践过程中深入理解；更进一步，笔者期待 AGI 能成为一位“全能程序工程师”。无论是根据一张设计图还原出完整应用，还是将创意转化为可游玩的游戏，甚至是协助完成操作系统级别的开发任务——它都能高效响应。哪怕只是实现一个简单的前端页面，它也能在细节与视觉效果上做到极致。而这一切，已不仅是想象。在谷歌最新发布

AAA修煤气灶刘哥

从Coze、Dify到Y-Agent Studio：我的Agent开发体验大升级大家好，我是刘哥，一个在Agent开发领域摸爬滚打的IT博主。最近尝试了市面上主流的Agent开发平台，从Coze到Dify，再到Y-Agent Studio，终于找到了一款真正适合企业级开发的工具。今天就来跟大家聊聊我的真实体验，看完你就知道为什么我决定彻底切换到Y-Agent Studio了。

大模型教程

2025年AI大模型开发生态白皮书｜附123页PDF文件下载本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。《2025AI大模型开发生态白皮书》由中科算网算泥社区主编，联合中国科学技术大学苏州高等研究院、中国人民大学数据与人工智能研发实验中心发布，旨在系统梳理全球AI大模型的发展现状、技术趋势、生态布局及落地实践。

大模型教程

2025年企业级AI Agent（智能体）价值及应用报告｜附77页PDF文件下载本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。一个全新的时代正以前所未有的速度向我们奔来。随着AIGC**（生成式人工智能）的浪潮席卷全球，我们观察到，技术的演进正从单纯的内容生成，迈向更深层次的“智能体”（AI Agent**）革命。这不仅是技术的迭代，更是生产力范式的颠覆性变革。当AI不再仅仅是工具，而是能自主理解、规划、并执行复杂任务的智能伙伴时，企业的每一个流程、每一次决策、每一个创想，都将被重新定义。

工程师学AI之起始篇：理论与实践学习计划本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。随着22年底chatgpt的重磅推出，大语言模型（LLM）发展迅猛，从最初的“大号文本预测器”（会听，会说）一步步成长为如今能处理复杂任务的“智能体”基石（会想、会做）。25年初deepseek点燃了国人对大模型的热情，不知您是否好奇Transformer、自注意力self-attention、LLM、Token、向量化Embedding、涌现、Pre-training、有监督微调SFT、RLHF、MOE、MLA、多模态、思维链Co

字节跳动数据平台

火山引擎Data Agent赋能金融行业，打造智能投顾与精准营销新范式在近日举办的平安寿险第二届AIGC嘉年华“智领未来·AI赋能金融”活动上，火山引擎数智专家提出，企业正从“数据驱动”迈向“认知驱动”的新时代。这一转型的核心在于构建能够沉淀集体智慧的“企业级认知引擎”，其不仅是技术跃迁，更要求企业重塑与数据的关系：贯通内外部多源数据、简化人机交互以实现敏捷分析，并将专家经验转化为可复用的数字资产，从而加速从洞察到行动的闭环。

工程师学AI之第二篇：AI大模型vs数学理论本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。上一篇我们梳理了大模型的基本脉络，并制定了学习计划：阶段一提到数学知识是理解大模型原理的必备内功，因此本章主要回顾下大学和研究生期间线性代数、概率论、微积分、信息论相关的数学知识。本文主要回答几个问题：

基于MCP的代码执行：构建更高效率的智能体本文是A社2025年11月4日博客文章《Code execution with MCP: Building more efficient agents》的学习总结。

安思派Anspire

使用LangGraph构建自主RAG5在这个简单的RAG中，流程如下：查询 → 检索 → 提示构建（增强） → 生成该流程使用LangGraph的状态图实现，包含三个节点（步骤）：

数据智能老司机

多智能体系统的上下文工程——构建上下文感知的多智能体系统在上一章中，我们使用 MCP 构建了一个多智能体系统（Multi-Agent System，MAS）。这个系统可以工作，但有一个很大的局限：它的“知识”都是模拟出来的。对于学习来说这没问题，但也意味着这些智能体被困在了我们预先设计好的沙盒里：它们不能访问真实信息，也无法根据当前环境即时调整行为。在这一章，我们要把它们从盒子里“放出来”——让智能体通过基于向量存储（vector store）构建的实时信息管道，连接到外部数据。