agent

MicrosoftReactor

技术速递｜Token 经济学：智能体 AI 时代的新 FinOps作者：卢建晖 - 微软高级云技术布道师排版：Alan Wang很长一段时间以来，AI 应用的设计都是从模型能力出发：模型会不会写代码？能不能推理？是否支持工具调用？能否处理长上下文？这些问题依然重要，但在智能体应用时代，它们已经不足以回答生产环境中的关键问题。真正更值得关注的问题是：完成一个真正有价值的任务，这套架构究竟会消耗多少 Token？

Apache Doris 在 AgentLogsBench 中领先，支撑 Agent 可观测性生产负载注意：本文中的基准数据反映了 2026 年 5 月的 AgentLogsBench 结果。该基准会定期更新。如需查看最新结果，请参阅实时排行榜。

给 AI Chat 加上长期记忆：模型提取 + 程序把关 + 规则召回本文基于 AI Mind 项目的真实实现整理。 GitHub：github.com/HWYD/ai-min… 对应代码版本：v0.4.5 线上链接：ai.hwyblog.cloud/instant-min…

🤖 Agent开发完全指南：从LLM到智能体的蜕变之旅你的大模型不只能聊天，它还能成为你的"数字员工"！让AI从"纸上谈兵"的顾问，变成"动手实干"的得力助手。

从零打造你的第一个 AI Agent：LLM 不够用？给它装上"外挂"2026 年过半，大模型（LLM）已经火得一塌糊涂，Agent 更是遍地开花。但很多同学可能跟我一样，刚接触的时候觉得 LLM 很神奇，用着用着却发现——它好像也没那么万能？

AI Mind 的多会话短期记忆容器：如何隔离多个聊天上下文本文基于 AI Mind 项目的真实实现整理。 GitHub：github.com/HWYD/ai-min… 对应代码版本：v0.4.4 线上链接：ai.hwyblog.cloud/instant-min…

阿拉斯攀登

Prompt 工程与答案生成优化检索到了相关内容，不代表大模型就能答好。怎么让模型基于资料回答、不编造、引用来源、格式规范？这篇讲 RAG 的 Prompt 设计、减少幻觉的技巧、答案格式控制、以及常见问题的应对方法。

Agent 帮我写 CUDA（续）：当 Self-Attention 遇上 Causal Mask 和 Cross-Attention副标题：给我们的 CUDA Attention 算子加上因果掩码和交叉注意力——从"能跑"到"能用"

Langchain环境搭建与LCEL核心语法本文面向已具备基础API调用经验的开发者，系统介绍LangChain在国内环境下的落地方式与LCEL核心语法。梳理LangChain的核心优势及0.2至1.x的版本演进与包结构，说明为何在工程场景中值得引入这一框架；重点讲解DeepSeek、通义千问等国产模型的OpenAI兼容接入方案，涵盖依赖安装、环境变量配置与ChatOpenAI工厂封装。在组件层面，文章拆解Prompt、Model、Output Parser、Chain四大核心模块的职责与协作关系，并深入LCEL管道符|的链式编程语法，分析其

人工智能培训

大模型驱动下传统大数据架构的变革方向

把 OpenAPI 接入 Agent Harness：零代码让 Agent 听懂你的 REST API在过去两年里，我和团队接手了好几个「上了年纪」的 Java 项目。这些系统有一个共同特征：业务逻辑完整，API 齐全，Swagger 文档也写得规规矩矩，但前端换了一波人，文档却没人维护了。新来的同事要查一个订单接口，得翻好几个 YAML 文件，再对着代码比对字段名。

Agent 开发思考笔记：LLM + Memory + Tool + RAG + MCP + SkillsAgent 的本质是给 LLM 补上它天生缺失的五种能力——Memory、Tool、RAG、MCP、Skills——从而把一个"只能聊天的大脑"变成一个"能记住上下文、能动手执行、能检索私有知识、能获取实时信息、能编排复杂任务"的智能体。

Obsidian 最强的 AI 功能，就是它没有 AI 功能三个不同厂商的 AI Agent，同一条指令，同一个 Obsidian 知识库。全部成功。关键不在于哪个 Agent 厉害，在于 Obsidian 从来就是一个文件夹。

带刺的坐椅

把 OpenAPI 接入 Agent Harness：零代码让 Agent 听懂你的 REST API在过去两年里，我和团队接手了好几个「上了年纪」的 Java 项目。这些系统有一个共同特征：业务逻辑完整，API 齐全，Swagger 文档也写得规规矩矩，但前端换了一波人，文档却没人维护了。新来的同事要查一个订单接口，得翻好几个 YAML 文件，再对着代码比对字段名。

AI 写代码越来越快，慢下来的那个人变成了我我第一次觉得自己有点跟不上 AI，不是因为它写不出代码。是因为它写得太快。比如接到一个需求，要做某个活动页。以前我习惯一步步来：先让 agent 搭一版页面，有问题再补一句"这里加个按钮"；按钮出来了，再说"文案换一下"；样式歪了，再让它调样式。它做一版，我看一版，再推它往前走一步。

阿拉斯攀登

企业知识库实战：从 0 到 1 落地全记录最后一篇实战，把前面 9 篇的知识全部串起来。从需求分析、架构设计、文档处理、检索优化到上线运维，完整讲一遍企业知识库 RAG 系统是怎么从 0 到 1 落地的，踩过哪些坑、每一步优化了多少。

Agent Runtime 状态机：让 AI 推理每一步都可暂停、可回放、可审计MVP 的 Agent 是一条直线：请求进来 → LLM 推理 → 返回。生产级的 Agent 是一个状态机：每一步都是离散的、可观测的、可中断的。

LangFlow 1.x 系列【7】工作流创建与部署指南流程（Flow）是应用业务工作流的可视化功能载体，负责接收输入、处理数据并输出结果。一个流程由多个组件（Component）组成，每个组件对应业务流程中一个独立的执行步骤。组件之间通过连线传递数据，整体构成一张有向图。

Agent 智能体：从概念到实践 —— 如何打造一个真正能干活的 AI 助手2026 年，大语言模型（LLM）的能力已经毋庸置疑。你可以问它任何问题，它都能给出令人惊叹的回答。但如果你尝试让它"记住上周聊过的事情"、"帮我读一下这个网页然后填个表"、"查一下公司内部最新的销售数据"——你会发现，裸的 LLM 瞬间变得力不从心。

阿拉斯攀登

检索效果评估与 Bad Case 分析RAG 效果好不好，不能凭感觉。怎么衡量检索质量？召回率怎么算？Bad Case 怎么分类分析？这篇讲检索评估的指标体系、测试集构建、Bad Case 分析方法论，以及迭代优化的流程。