在典型的AI Agent系统中，其工作流程是一个迭代循环(AI Agent参考)：LLM根据任务需求选择并调用一个工具，观察返回结果，然后基于新信息进行下一步思考和决策。 随着一个AI A

今天我们来系统梳理AI智能体架构设计的九大核心技术，这些技术构成了现代AI应用开发的核心框架，涵盖从基础推理到多智能体协作、从数据处理到人机交互的关键层面。欢迎各位指正交流。 一、AI 智能体（AI

Embedding模型是大型语言模型（LLM）的核心，负责将文本转换为高维向量空间中的数值表示，从而使语义关系转化为可计算的数学关系。如果选错Embedding模型，RAG系统可能会检索到不相关或低质

本期分享梳理了现有的12项Agent开发框架并将其归类为四大类：低代码平台、基础编程范式、高级代码框架和智能体框架。本期分享旨在通过梳理这四类框架的特性与适用场景，为开发者的技术选型提供清晰指南。

大家好，我是双越老师。本文介绍前端人员开发一个 AI Agent 需要哪些核心技能，包括 LLM 提示词工程 langChain RAG 。对于前端转行 AI 工程师是一个很好的参考。

朋友们好，我收集了Github上热度最高的数百个AI领域的开源项目，按照开发者的视角做了分类，一共包含28个分类，分类列表如下图所示。

在多智能体协作调度场景中，尽管存在诸如层级指挥、嵌套模式、转交模式和群聊模式等多种实现方式，但层级指挥模式仍是生产环境中最常用的方式。该模式通常由主代理生成任务拆分，调度工具或子智能体分别执行，类似

本期内容分享了LangGraph中的长短期记忆管理机制，短期记忆代码演示实现会话级对话跟踪，支持线程隔离的数据持久化；长期记忆代码演示构建跨会话的稳定知识体系，支持语义检索等高级功能。

2025年，商业智能（BI）正经历由AI Agent驱动的根本性变革。传统BI工具从被动的数据展示平台，逐渐演变为能够自主感知、推理、规划并执行任务的主动决策伙伴。本次分享的内容面向企业技术决策者（如

采用代理式 AI 带来了有别于传统软件的独特安全挑战。代理式系统具有自治、复杂推理、动态交互与复杂工作流等特征，显著扩大了威胁面。要有效保护此类系统，必须同时应对传统安全问题以及源自代理自治、概率决策

本章介绍将“学习”引入智能体系统的多种方法与集成技巧。让智能体具备随时间学习与改进的能力非常有用，但在设计智能体时并非绝对必要。实现学习能力需要额外的设计、评估与监控工作，是否值得投入取决于具体应用。

既然你的智能体已经具备一套可用工具，下一步就是将它们编排起来以解决真实任务。编排不只是决定调用哪些工具、何时调用；还需要为每次模型调用构建恰当的上下文，以确保行动有效且有依据。简单任务也许只需一个工具

我们都知道，AI Agent的核心价值在于其与外部世界交互的能力，而这通过工具调用实现。传统LLM仅作为“大脑”处理文本生成和推理，而Agent则通过工具充当“感官”和“四肢”，执行实际任务（如查询天

RAG的检索增强生成（Retrieval-Augmented Generation, RAG）技术，一直是不少人研究和优化的方向，RAG通过整合外部知识库来增强模型能力，特别适用于实时性、准确性和专业

本期内容分享如何使用底层API构建多轮对话机器人和复现ReACT图结构智能体。通过定义状态、添加模型节点和工具节点，结合条件分支图实现ReACT图的工具调用与决策循环，并通过天气助手演示完整的开发流程

​ 在RAG（检索增强生成）系统开发中，技术选型与场景适配的合理性直接决定系统性能。今天我将基于企业级实践经验，系统化拆解开发全流程的十大关键误区，并提供四维优化框架，助力开发者构建高精度、高可用的R

你是否曾经好奇，像ChatGPT这样的大模型为什么既能写诗又能编程，既能聊天又能翻译？这背后的秘密就在于两个关键过程：预训练和微调。

AI 辅助编程是一项需要通过实践来学习的技能。未来不是 AI 取代开发者。而是开发者利用最先进的工具，工作得更快，创造出更好的解决方案。

不知道你们有没有遇到过，在我们一些实际落地的AI项目中，虽然前期“Demo 很惊艳，但上线后却无人问津”。你们有没有想过问题究竟在哪？今天我将从企业级 AI 应用的真实场景切入，并通过一个Demo构建