直到我把完整的 response 打印出来，才发现返回的 AIMessage 里藏了个tool_calls数组，里面清清楚楚写着要调用read_file，参数就是我传的文件路径。合着模型根本没执行工具

​之前的系列文章主要讲解上下文（提示词）和RAG（知识库），为了方便大家归纳，这里把前面的几个重要内容重新梳理总结。 一、搭建应用开发环境 正所谓磨刀不误砍柴工，要想后续顺利进行AI应用编程，务必正确

不知道你在调戏各种 AI 大模型的时候，有没有遇到过以下经典翻车现场： 这种现象在人工智能领域有个专门的名字，叫“幻觉”（Hallucination）。

最近升级 GPT-5.6 后，我发现很多人（包括之前的我）都踩了一个坑！我发现自己一直在浪费 ChatGPT 额度，该用 ChatGPT 聊的问题，没有使用； 所有问题给 Codex，额度很快用完。

如何给 Coding Agent 写仓库规则：硬约束、软约束与证据门禁 TL;DR 场景：Coding Agent 在已运行多年的仓库中改对 3 行代码，要比从零生成一个函数难得多；当前大量"仓库规则

MCP 生态现状：官方维护的 9 个 Server 覆盖文件系统、GitHub、数据库、搜索、浏览器自动化等核心场景，社区贡献的 Server 已超过 3000 个。

前言 Octo 是一个基于 Go 语言构建的终端 AI 聊天工具，采用 Bubbletea 框架实现 TUI（终端用户界面），支持对接多种 LLM API（如 DeepSeek）。在 v0.1.0 版

用一个完整的 Jira MCP Server（mock 数据，无需真实账号）演示 5 个生产级工程模式：多工具协作、输入验证、结构化错误处理、日志（必须写 stderr）、Resources。

拆解 Runnable 如何用统一接口让模型、链与图以相同方式执行和组合，揭示从抽象契约到 Pregel 引擎的全链路运行机制。

一文搞懂 RAG（检索增强生成）：从 LLM 幻觉到智能检索，手把手带你理解核心原理与代码实现 引言 想象一下这个场景：你问 ChatGPT 一个关于你们公司内部制度的问题，它信誓旦旦地给出一段看似合

ROS1 系列教程(总目录) ROS2 系列教程(总目录) ROS2 系列教程源码、学习群 @TOC 下面通过代码演示自定义 Action 的基本实现。 一、创建功能包 其中， 使用 --build-

任意 agent 技能包。5 种图表类型（架构/工作流/序列/数据流/生命周期）、JSON IR 中间层 + Schema 校验 + 后渲染检查、深色/浅色一键切换、4× 原生光栅化导出（无放大模糊）

RFM模型+AI：银行客户分层运营实战代码 > 实战代码：基于 `retail-marketing` Skill | RFM分析 | 客户分层 | 精准营销 什么是RFM模型？ RFM

通过RAG代码简单实践，深入理解检索增强生成在实际代码中的底层逻辑与核心工作流程。实际生产环境中，应该更加严谨。

摘要 1. 激活函数：从 ReLU 到 SwiGLU 的演进逻辑 激活函数的演进不是追求新奇，而是解决具体工程问题。ReLU 有神经元死亡问题（负输入梯度为零永不激活），GELU 用 x·Φ(x) 平

在企业级架构中，真正的考验不在于系统正常运行时有多快，而在于系统出错时死得有多优雅。今天，我们为插件加入一套“错误状态定位和处理”机制，让我们的插件更健壮。

图解 120 个大语言模型（LLM）核心概念（31-60），这是第二篇，介绍 LLM 的核心概念，科普大模型

GPT 5.6 来了！单纯看基准维度，好几项都赢了 Fable 5！ 那么实际能力如何呢？ 我决定设计一个新的测试例子，一个例子测试多种能力。一轮定胜负！ 而且一轮测试，几乎把 Sol 和 Fable

GPT-5.6预计在7月7号发布。 不只是更强——Sol/Terra/Luna 三层矩阵、Ultra 多智能体协作模式、Codex 深度集成。OpenAI 选在 Fable 5 结束免费的当天发布