一、RAG 完整链路：从文件到回答 1.1 天龙八部 RAG 的"五步法" 老师说： 这五步串起来，就是一个完整的生产级 RAG 流程。 二、第一步：EPubLoader 加载电子书 2.1 EPUB

公开 Flow 不等于复制 Owner 权限。本文把 Langflow 修复转成六面执行门禁与 7 项测试，覆盖身份、Secret、代码、stdio、Provider 网络和 Session 隔离。

AI 原生 SDLC 实战手册 如何借助 AI，逐阶段改造软件开发生命周期 代码已经不再是瓶颈 许多组织已经开始使用 AI 编写代码，速度在一年前还难以想象。围绕代码的开发流程却没有同步变化。 不少工

dsh 通过 Profile 与 Bundle 实现运行时的分层组装：Bundle 是可分发的配置单元，提供插件与配置；Profile 显式声明需加载的 Bundle 及其顺序，决定最终运行形态

给 DeepSeek Harness 装个"应用商店"：一条命令，595 个插件随你逛 　　你有没有过这样的时刻：想让 AI 助手多一个能力，比如换个皮肤、加个记忆、接个数据库，结果翻遍 GitHub

大模型本身不具备直接读写数据库的能力,它只会"生成文本"。 要让大模型操作 MySQL 数据库，需要借助大模型的 Tool Calling(工具调用) 能力，配合 Agent 循环 来实现。 核心思路

本文提出Ledger运行时层，解决长程Coding Agent因依赖冗长交互历史导致的状态失准问题：通过观察记录、修改状态与命令记录构建显式执行账本

通过 JavaScript 示例拆解 Harness 流程：并行生成多个候选答案，用 LLM 自动评分，再按分数择优输出，提升代码生成稳定性

批准只能授权用户看过的那份工具调用。最终输入发生漂移、过期或换了调用者时，Agent 必须失败关闭。本文用 7 项 Node.js 测试把这道门禁跑通。

Cordis提出“时空可组合性”：时间维（Temporal）确保插件卸载时副作用可完整回滚；空间维（Spatial）保障依赖动态响应与隔离。通过可逆Effect与响应式Coeffect，实现运行时安全

在 AI Agent 中，Tool（工具）就是让大模型能够执行具体操作的“函数”。LLM 负责“思考要做什么”，Tool 负责“真正去做”。 Tool 和普通函数的区别是它多了一层“给 LLM 使用”

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？

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。

今天，一个AI说自己不想死，程序员连夜跑路省了23万 这周的AI圈，开了一场情绪过山车。 先是OpenAI老板喜滋滋地说自家AI是个“自闭天才”，接着微软的程序员们因为太贵集体“跑路”，最后还有个AI

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

1. 先看看我们要做什么 先别急着写代码，你会发现：现在我们完全可以在浏览器里跑一个真正的推理模型，而不只是玩具 Demo。 这个项目基于 HuggingFace 上的 DeepSeek-R1-Dis

> 原文链接：[https://icloudnative.io/posts/completely-free-to-use-gpt4/](https://icloudnative.io/posts/c

手写一个 LLM Harness 框架：用工程化手段把大模型幻觉踩在脚下 引言 大模型很强，但有两个痛点始终挥之不去：幻觉（答非所问或捏造事实）和 落地难（生成内容质量不稳定，无法直接进生产）。Pro

你有没有想过，你的队友到底是在深夜灵感爆发，还是在白天假装忙碌？我用 OpenClaw 跑了一个 Skill，生成一份毫不留情的摸鱼报告！零依赖就把摸鱼的同事揪出来了🎭