agent

小白学AI开发01：创建第一个示例Agent在 LangChain 开发中，我们的核心工作是写 Prompt（提示词）。除此之外，还需要了解下python基础，简单了解即可，不需要系统学习，这就是AI时代对技术爱好者的红利。

高性能服务器

AGI-Next 闭门峰会深度纪要：中国AI的3小时深度思辨2026年1月10日，一场聚焦中国AI未来发展的AGI-Next闭门峰会在北京如期举行。唐杰、杨植麟、林俊旸、加拿大工程院院士杨强，以及近期备受行业关注的姚顺雨（远程参会，自带国际顶尖实验室与国内头部企业双重行业视野）齐聚一堂，组成了中国AI领域的顶尖对话矩阵。

claude code架构猜测总结Claude Code 本质 =「LLM 驱动的 Tool-Calling 循环」+「逐层外置的认知结构」模型是 Agent，本体代码只负责：约束、反馈、隔离、注入知识。

智能体项目MaxKB4J - 本地部署与开发完整指南项目整体目录结构如下：🚀 项目源码地址： https://gitee.com/taisan/MaxKB4j 💡 提示：首次克隆项目后，请确认目录结构是否完整。

关于 AI Agent 的思考：大模型边界和工作流最近在体验一些 AI Agent 的产品，有一个比较感受：大多数的 AI Agent 最终都是一个或多个工作流，原本我们想象的那种完全自主、能够独立思考和决策的 AI Agent 很少。

TextIn × Agentic RAG：让大模型真正读懂学术论文作为一名研究者，我每天都需要阅读大量的学术论文。最近在做文献综述时，我想到：能不能让 AI 帮我快速理解这些论文的核心内容？

手把手拆解旅行搭子Pro：基于Astron的Agent工作流实战刚接触 Agent 时，我们大多都是从 Prompt 提示词驱动的Agent开始的，就像下面这样写一个很长的 Prompt，约定好 LLM 大模型要遵循的角色，指定其拥有那些本领，限制大模型的问答范围，给定输出格式和问答案例。然后不断往里面加规则、加约束、加示例。

前端 + agent 开发学习路线背景：团队启动Agent项目，从零开始学习工程化AI开发感谢ai老师写的学习指南。存档！最近团队要启动Agent项目，我第一次接触这个概念时，只停留在“接入大模型API+优化Prompt”的浅层理解。经过大量学习和实践探索，我才发现工程化Agent开发是系统化的架构设计，而不仅仅是API调用。

A2UI : 以动态 UI 代替 LLM 文本输出的方案A2UI (Agent to UI) 是一个基于 JSON 的流式 UI 协议，旨在让 AI Agent 能够动态生成、控制并响应用户界面。从技术本质上看，它将 UI 视为纯粹的数据 payload，由前端运行时（Runtime）负责解析并映射为原生组件。

从0到1：有赞AI客服的实践路径与落地思考从行业趋势来看，由大模型驱动的智能客服系统，正在对传统客服工具进行深度变革。有赞是一家提供电商SaaS服务的平台，商家对于客服系统存在较大需求。在大模型刚刚兴起之时，我们便开始关注该领域。自25年年初起，我们在这一领域投入了大量精力。本次将从研发视角出发，与大家一同回顾这一从0到1的历程。主要聚焦于AI客服系统从0到1实践的核心要点，剖析落地的关键步骤，以及过程中的一些思考。

装不满的克莱因瓶

Cursor超长会话跨窗口关联解决方案目录一、问题描述二、解决方案三、演示多个会话窗口之间无法关联引用开发多个任务时，需要在不同会话间切换，但无法引用之前的对话内容

RAG 技术全栈指南 | 第一章解锁 RAG学习资料参考：开源组织Datawhale all-in-rag项目RAG（Retrieval-Augmented Generation）检索增强生成。

沙漠的浪人

Deep Research 怎么才算 "Deep"在开发Deep Research系统时，遇到了一个核心问题：如何真正体现"Deep"的含义？通过分析现有的研究系统，发现"深度"主要体现在两个方面：

沙漠的浪人

多Agent系统中的用户干预（Human-in-the-Loop）设计设计目标：尽量减少不必要的用户干预，只在关键节点请求用户输入。关键策略：判断逻辑：设计目标：在请求用户干预时，提供完整的上下文信息，帮助用户做出明智决策。

智能体经典范式构建这张主要介绍了三种经典的智能体范式首先是==ReAct架构，他主要分为三个部分，第一步是thought（思考），这个是llm分析当前情况，分解当前任务，制定下一步计划或者反思之间返回来的上一步结果然后就是action==，这个是根据thought的结果去调用外部工具（function calling/mcp）执行具体动作

金融RPA机器人丨实在智能

通用Agent智能体有哪些？国内优选实在Agent、扣子，国际优选ChatGPT Agents、Microsoft Copilot在人工智能技术飞速迭代的今天，通用Agent智能体已经从学术概念逐渐走进商业实践与日常生活，成为驱动数字化转型的核心力量。很多人可能听过“智能助手”“数字员工”等说法，但未必清楚通用Agent智能体的真实内涵与核心价值。简单来说，通用Agent智能体是具备自主感知、推理、规划、执行和协作能力的智能系统，它区别于传统单一功能的AI工具，能够像人类一样理解复杂需求、拆解任务流程、调用各类工具完成目标，甚至在过程中自主优化策略。从日常办公的文档处理、行程规划，到企业场景的流程自动化、客户服务，通用Agent智能

Prompt Engineering基础实践：角色设定/约束条件等技巧之前学习了一些模型API调用，以及一些文本分类和内容生成的一些基础技巧和案例，接下来实操一下 Prompt Engineering 相关技巧

告别RPA和脚本！视觉推理Agent，下一代自动化的暴力解法失踪两个半月，我又回来了。两年前，公司因为一些自动化需求，我们采购了市面上比较主流的一款RPA产品。但这两年用下来的感觉是，RPA确实能解决绝大多数的自动化问题，但维护成本实在太高。

Anthropic 如何评估 AI Agent在开发AI智能体的过程中，许多团队都经历过这样的痛点：你修复了一个问题，却在不经意间引发了另一个更隐蔽的问题。如果没有一套可靠的评估体系，整个开发过程就像是在“盲目飞行”，团队陷入被动修复的循环，难以自信地发布新版本。

AI 编程配置太头疼？ACP 帮你一键搞定，再也不用反复折腾！在AI编程工具全面普及的今天，Claude Code、GitHub Copilot、OpenAI Codex、Cursor等工具已成为开发者日常工作的标配，但随之而来的配置管理难题却成为制约效率的关键瓶颈。ACP (AI-Config-Plaza) 作为专注于AI编程工具配置管理的开源平台 (官网)，以统一化、社区化、跨工具兼容的核心设计，精准解决了开发者在配置管理中面临的碎片化、重复劳动、切换成本高等痛点，重新定义了AI编程工具的配置使用体验。