本文不满足于对 API 的浅尝辄止，而是希望为您提供一份兼具深度与可操作性的“食谱”。读完本文，您将不仅能成功运行代码，更能洞悉其背后的“为什么”，并具备独立解决实际问题的能力。

今天来介绍下我是如何使用 本地 Ollama + Qwen 3 模型，结合 Obsidian 构建真正的本地隐私 RAG（检索增强生成）知识库的。

随着 LLM 应用的飞速发展，越来越多的 Agent 应用开始走近每个人。围绕着 Agent 应用的核心，目前业界有零代码、低代码和高代码三条主流的技术路线。AgentScope 作为 Python

3个（对我来说）最突出的关键趋势 按回车键或点击以查看全尺寸图像 描绘AutoGen背后动机的漫画。图片由AutoGen提供。 这些就是在活动期间让我印象深刻的趋势，并且在某种程度上，它们已经积累了足

在深入研究斯坦福HAI、麻省理工学院、高盛、红杉资本等机构的报告，以及一线从业者的大量讨论后，一个趋势逐渐清晰：2026年将是“实用落地兑现”的时刻。

本文分享了LangGraph智能体开发的设计模式：工作流模式和多智能体模式，同时详细讲解了三种核心工作流模式：提示链模式、路由模式、并行模式。这些模式为构建复杂、可靠的智能体系统提供了可复用的基础架构

我们正在见证人工智能应用构建方式的一次根本性转变。过去需要大量机器学习工程师才能完成的工作，如今正越来越多地通过可视化、拖拽式界面来实现。平台经济已经来到 AI 领域，并随之带来了一种耐人寻味的能力民

这就需要一个完善的RAG评估体系：评估RAG系统各个模块运行的效果，在用户之前分析问题、甚至是预判问题。这篇文章会和大家详细聊聊，如何在开发和生产环境中评估RAG系统。

MCP 与 Skill 深度对比：AI Agent 的两种扩展哲学 用 AI Agent 工具（Claude Code、Cursor、Windsurf 等）的时候，经常会遇到两个概念： MCP（Mod

今年最后一个疯狂星期四，首先预祝各位双旦快乐～ 想必各位 Vide Coding Master 在使用 JetBrains 家 IDE 的时候总有一些苦恼...

本方案将基于真实的代码实现，向您介绍如何使用函数计算 AgentRun 平台，构建一个现代化的“舆情分析专家”，该系统不仅实现了从数据采集到报告生成的可视化、全流程自动化，更通过流式架构，让洞察实时呈

最近乱七八糟的事太多，今天来点偏技术实战的，带大家用LangChain & LangGraph快速入门用编程创建智能体，用LangSmith进行追踪，Agent-Chat构建Agent UI。

这两年，“给 Agent 加 memory” 几乎成了共识，向量库、RAG、长上下文、KV cache……工具越来越多，但一个尴尬的现象是： 问题到底出在哪？

大语言模型（LLM)，是一种能够理解并生成我们日常使用的语言的 AI工具。例如，如果你问中国首都的名字是什么？

只说应用层的AI赛道，前端是非常适合转AI的，目标岗位可以是AI工程师/AI产品经理，做得好的可以干到AI负责人，并且我身边已经有很多鲜活的案例，所以大家不必焦虑。

Google最近发布了一篇关于Agent长达60页的文件： 《初创公司技术指南：AI Agents》 ，这份报告从宣传来说表达了自己与之前偏理论的文章不一样，他还是暴露了不少细节技巧，对正在做Agen

本系列文章的深度有限，只是个人对大模型知识脉络的梳理，同时也会借鉴一下同行的博客内容充实本文，文末将会注明参考来源。

本文通过构建自动邮件处理智能体，系统演示了LangGraph1.0的状态管理、条件路由、人在回路等核心机制在实战中的应用。相信大家经过实战，能更加掌握LangGraph1.0编写智能体的核心技巧。

针对单体 Agent 在复杂任务中易迷失、易死循环的痛点，本文深入探讨了基于 LangGraph 的多 Agent 协作架构。通过 Supervisor 模式的实战演练，详细解析了状态管理、路由决策及