🔥 前端也能玩转 AI 流式输出！从二进制流到打字机效果，一篇讲透 📌 前言 最近在学 AI 应用开发，发现不管是 ChatGPT、Claude 还是各种 AI 聊天框，它们都有一个共同特点：回答不是

用腻了 WorkBuddy 的默认界面？这个开源小工具给它换上了毛玻璃 天天用的界面，能不能好看一点？ WorkBuddy 是一款很趁手的桌面工具，但默认界面看久了难免有点单调。作为一个既想要颜值、又

知识库预处理实战：从URL加载到语义分块的全链路解析 一、知识库的“原料”困境 构建RAG（检索增强生成）应用时，我们首先面临的问题不是模型选型，而是知识如何“喂”给向量数据库。知识的来源千奇百怪：

🔥 RAG 到底是怎么工作的？掰开揉碎了给你讲明白！ 📌 前言 最近 AI 领域有个词出现频率极高——RAG（Retrieval-Augmented Generation，检索增强生成）。 不管是面试

过去我们用 AI，靠的是「临时输入提示词、反复解释需求、一遍遍修正结果」；而现在，行业核心共识已经从「Prompt 技巧」升级为 MCP 协议 + Skill 技能 的标准化 Agent 架构。 很多

同样是语义检索，为什么官方推荐优先使用 Retriever，而非直接调用 `similaritySearch`？两者底层差异是什么、如何落地使用？本文将结合**可直接运行的完整实战代码**，从概念、原

🤖 RAG 文档分割器（Splitter）深度学习笔记 —— 从零搭建知识库文档处理流水线 📋 目录 项目概览与核心依赖 知识库的数据源：从文件到 Document 网页爬虫实战：Cheerio +

⚡ Promise.all 性能优化：让 Agent 的工具调用飞起来 📌 前言 上一篇我们实现了 ReAct 循环，Agent 能自主规划、分步执行任务了。 但有一个问题：当 LLM 一次返回多个

一、今天的目标：手写一个"迷你 Cursor" 1.1 要实现什么？ 老师说： 用大白话说，就是让 AI 自己完成这件事： 要做到这件事，Agent 需要哪些能力？ 需要的能力 对应的 Tool 比喻

AI Agent 操作浏览器的方式分两种。第一种是截图发给 LLM，LLM 返回一个 (x, y) 坐标，让浏览器自动化工具在该坐标模拟点击；第二种是把网页转换成一棵带编号的文本树，LLM 从文本树里

豆包和千问 7/15 同时下线智能体功能。整理了 4 种替代方案对比（Coze/Dify/Claude Code/自建API），附迁移操作指南和数据导出 Checklist。

一、Agent 的"肉"：四种 Message 类型 1.1 LangChain 的 Message 体系 老师说： 在 LangChain 中，对话是通过四种 Message 类型来管理的： 类型

前面几章，我们了解如何使用消息大模型，使用prompt提示词，Runnable是什么。如果你对于大模型使用、prompt提示词、Runnable不太了解，可以先看看前面几章。下面我们将继续学习讨论Ch

一、前言 我们要知道，目前所有的LLM都是推理模型，只能基于自身已经训练好的语料库进行回应。而常见的LLM都是通用模型，什么都知道一点，但是不知道私域数据，比如公司的财务报表。在一些私有领域，我们想要

还在跟风养龙虾🦞？直接扒开龙虾的源码外衣，进行一个学习拆解！ 为什么说龙虾🦞OpenClaw的通信架构值得深入学习？

V8 沙箱困住 JS，C++ Binding 破壁而出，libuv 事件循环驱动异步 I/O，内核 fd 统一万物——8 个核心概念一条线串透，一行 JS 如何穿越五层抵达内核。

AI 生成的代码看起来能跑，但安全问题藏得很深。我翻了过去半年让 AI 写的功能，找出了 6 个最容易被忽略、但后果很严重的隐患。每一个都能在生产环境里埋雷

本文为Node+LangChain Agent实战第一课，讲解大模型原生短板、Tool工具定义调用、多工具并行优化，带你手写简易代码智能体，打通AI从思考到实操的核心能力。

🔥 面试被问 RAG 只能说出六个字？这篇用 100 行 Node.js 代码帮你彻底搞懂 📌 前言：你为什么需要了解 RAG？ 上周面试，面试官问："你了解 RAG 吗？" 我自信回答："Retri