agent

Spec-Kit 实战指南：从零到一构建“照片拖拽相册”Web App实战目标：使用 Spec-Kit v0.9.2 构建一个支持拖拽排序 + 自动按日期分组的照片相册管理器技术栈：Vite + React + SQLite + SortableJS AI 工具：Claude Code（原生支持 /speckit 命令）时间预估：45 分钟完成全流程（含宪法、规格、生成、验证）成果：生产就绪、可部署的完整项目

理解 LangChain 智能体：create_react_agent 与 create_tool_calling_agent本文译者为 360 奇舞团前端开发工程师原文标题：理解 LangChain 智能体：create_react_agent 与 create_tool_calling_agent 原文作者：Anil Goyal 原文地址：medium.com/@anil.goyal…

github精选Agent学习repo下面按照用途分类整理，方便你查。如果你关注某些具体方向，这里是推荐你优先看的 repo，以及它们能帮助你学什么：

11.大模型Agent应用本次项目以CrewAI为框架，开发AI Agent实现自动写情书以及发送邮件。CrewAI是一个创新的多角色agent框架，专为角色扮演中的AI代理提供自动化设置。它通过促进AI代理之间的合作，使得这些代理能够共同解决复杂问题。

IDE/编码代理架构与 Cursor 相关研究（汇总）“Your AI, My Shell”: Demystifying Prompt Injection Attacks on Agentic AI Coding Editors (2025-09) — 针对高权限代理型编码编辑器（含 Cursor）的提示注入攻击与防护面分析，给出系统化攻击载荷与成功率评估。

LangChain1.0智能体开发：结构化输出阅读本文您将获得：结构化输出能让智能体以特定、可预测的格式返回数据。无需解析自然语言响应，你就能直接获取JSON对象、Pydantic模型或数据类（dataclasses）形式的结构化数据，供应用程序直接使用。LangChain的create_agent接口会自动处理结构化输出。用户只需设置所需的结构化输出模式（schema），当模型生成结构化数据后，该数据会被捕获、验证，并最终在智能体状态的structured_response键中返回。

大模型教程

给AI装个“超级大脑”！5分钟带你搞懂RAG，原来这么简单！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。AI发展日新月异，如果你还没搞懂RAG（检索增强生成），那可真的要掉队了！

大模型教程

RAG基础知识到高级实现：宝藏级开源指南，手把手教你搭建检索增强生成系统本文较长，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。今天为大家分享一款从RAG基础知识到高级实现的宝藏级开源指南——bRAG-langchain，帮你轻松跨越检索增强生成的学习门槛。我自己在学习过程中也通过这个项目也收获很多。

告别新手级RAG！一文掌握专业级后检索优化：重排本文较长，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。众所周知，检索是检索增强生成 (RAG) 系统的核心。它直接决定哪些文档片段给到大语言模型（LLM）来生成最终答案。

17.6 K Star！MaxKB让企业部署AI知识库问答系统如此简单本文较长，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。今天为大家介绍一个简单易用的RAG开源项目——MaxKB，这是一个功能强大且易于使用的企业级AI助手，它完美整合了RAG（检索增强生成）流水线，支持强大的工作流程，并提供先进的MCP工具使用能力。

思维链（CoT）× 智能体（Agent）× 提示词（Prompt）讲解直觉：当一条答案可以由多种正确思路到达时，对 r 进行多样化采样/搜索能提升稳定性与上界。

LangChain1.0智能体开发：中间件（Middleware）阅读本文您将获得：中间件能够控制和定制化智能体每一步的执行过程中间件提供了一种更严格地控制智能体内部运作的方式。核心的智能体循环包括调用模型、让模型选择要执行的工具，以及当模型不再调用工具时结束循环：

安思派Anspire

构建一个自主深度思考的RAG管道以解决复杂查询--分析最终的高质量答案(8)智能体已完成其研究。final_state变量现在包含完整的RAGState，其中包括final_answer。让我们将其打印出来，看看它是否成功地将两个来源的信息综合成一个完整的、有分析性的回答，并附有参考文献。

[Ai Agent] 07 RAG 进阶：持久化 · 精排序 · Agent 集成博客配套代码发布于github：07 Rag进阶篇本系列所有博客均配套Gihub开源代码，开箱即用，仅需配置API_KEY。

字节跳动数据平台

达能×火山引擎：用AI升级消费者洞察大消费行业正步入全域经营时代，交易与服务的数字化升级，让消费者反馈的传播速度和影响范围不断扩大，在经营决策中的权重显著提升。

可以指定 Jupyter Notebook 使用的虚拟环境吗最近在使用jupyter notebook的过程中，总是对一个问题感到疑惑：当前的代码跑在哪个环境下啊？接下来我一步一步来记录下，我是如何确定的，大家一起讨论下吧。

LangChain1.0智能体开发：流输出组件阅读本文您将获得：LangChain实现了一个流输出系统，用于呈现实时更新。流输出对于提升基于大型语言模型（LLMs）构建的应用程序的响应性至关重要。通过逐步显示输出内容 —— 甚至在完整响应生成之前就开始显示 —— 流输出极大地改善了用户体验，尤其是在应对大型语言模型的延迟问题时。LangChain的流输出系统能让你将智能体运行过程中的实时反馈同步至应用程序中。

LangChain 构建智能多工具 Agent实践在智能应用的浪潮中，语言模型（LLM）不再只是文本生成器，而是具备调用外部工具、检索数据、搜索互联网信息、甚至记忆上下文的“智能体”（Agent）。借助 LangChain 框架，我们可以轻松地创建一个能与多种不同工具交互的 Agent，让它具备信息检索、搜索和多轮对话记忆的能力。

大模型教程

大模型“进修深造”（Fine-tuning）：用微调打造“懂行”的智能客服本文较长，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。是不是经常觉得，虽然现在的AI很强大，但一问到专业问题它就开始胡言乱语？比如问个法律条款解读，或者咨询个医疗建议，它回答得看似有理有据，但你根本不敢信？这是因为通用大模型虽然“读书破万卷”，但缺乏行业深度。

大模型教程

30分钟内搞定！在本地电脑上部署属于你自己的大模型本文较长，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。你是不是也遇到过这样的情况：想用大模型搭建个智能客服系统，但又担心数据泄露、网络延迟，或者只是想在本机先调试测试？别担心，今天我就来带你一步步在本地电脑上部署属于你自己的大模型！无需深厚的技术背景，只要跟着做，30分钟内就能搞定！