本讲的内容是一个做数字题的Agent，只有20多行程序，但会涉及大模型、工具调用、Function-Calling、ReAct Agent等知识，是一个完整的Agent案例。

本篇做一个具有两个角色的应用，一个角色擅长解数学题，另一个角色专注于化学知识解答，那推而广之，我们就可以做一个所有学科都优秀的Agent应用了。

🧩 一、AIGC——当“内容”开始自己生长 在过去的十年，AIGC (AI Generated Content) 从学术论文里的冷僻缩写，华丽转身为市场的宠儿。 如今，AI 不仅能写（比如我👋），还能

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

大模型 MoE,你明白了么？ 作者：吴佳浩 最后更新：2025-12-11 适用人群：大模型上下游相关从业者 ——以 Qwen2/Qwen3 为例，从入门到回家 1. 什么是 MoE（Mixture

我们先来通过一条简单的链路，定位大模型在 AI 领域的位置： 人工智能 > 机器学习 > 深度学习 > 大语言模型 机器学习最开始就用**大量数据**做**线性回归**从而对未知数据进行推测。 举

在大模型落地的众多路径中，RAG（检索增强生成）是几乎“最值得掌握”的一项技术。它将知识库与大模型结合，让模型不仅“知道”，还能“答得准、说得清”。

在以文本交互为主的情况下，重点放在对文本信息的加工上；如果包括各种类型的信息（例如，需要道路状况的识别和声音的感知的无人驾驶），则用于图像和声音的数据的访问接口将被对接。

从今天开始，作者介绍一系列AI Agent（智能体）的开发或部署。需要的基础只是要对Python有个大概的了解，几乎是从0开始实践。涉及到的代码都会比较简单，一般不会超过50行。

今天我们讲第一个AI Agent例子：用CrewAI配置一个软件虚拟团队。实际上，这个需要有69行代码，那为什么不叫开发而叫配置呢？因为代码中几乎没有程序化的内容，基本上就是配置信息。

由于大部分AI平台提供的API/接口都兼容 OpenAI API ,所以我们可以使用 OpenAI SDK 实现通用的 LLM（大语言模型） 客户端。 本文讲述了如何实现一个简单的大模型客户端。

本文精选了十个高质量的GitHub开源项目，涵盖从基础理论到实践应用的全方位学习路径，为AI开发者提供系统性的技术资源。

Agent智能体让 AI 不再仅仅是会说的工具，而是真正拥有了自主行动力，能够目标驱动、自我规划、执行复杂任务，甚至组成虚拟团队进行协作。

本文通过 DeepSeek 大模型与 SQLite 构建了一个自然语言操作数据库的原型，利用动态 Schema 注入和强约束 Prompt，实现从口语化指令到可执行 SQL 的端到端生成。

今天，我们将通过一份2025年AI Agent开发路线图，全面解析Agent开发领域的核心技术栈和发展路径。

还没有看过上、中篇的读者可以阅读之前文章了解整个系列的内容： 《使用大语言模型从零构建知识图谱（上） 《使用大语言模型从零构建知识图谱（中） LangChain 中的 LLMGraphTransfor

在 AI 技术遍地开花的今天, Token (词元) 绝对是你绕不开的核心概念你是否曾深入思考：这些 Token 究竟是怎么从文本里 “变” 出来的

🧠 第一幕：AI脑袋里的“算盘”是怎么打的？ 想象一个 AI 坐在电脑前（当然，它并没有椅子，也没有咖啡 ☕），它面对一个人类的请求： 对于你我，这是个编码任务； 对于 AI，这是一个语言理解 + 逻

一、预训练的数据选择 模型影响力驱动（Influence / Importance-based Selection） MATES: Model-Aware Data Selection for Eff