搭建MCP服务：写一个最简易的MCP服务了解其运行流程 大家在用AI助手的时候肯定遇到过这种情况：想让ChatGPT查天气、查快递、查本地文件，它却答不上来——不是模型不够聪明，而是它碰不到外部世界的

上一章我们掌握了LangChain的核心抽象——Models与Messages，学会了如何调用不同类型的模型、管理对话消息。而提示工程（Prompt Engineering）是连接“用户需求”与“模型

前情 本身这篇文章是在学习了 Langchain 基础之后的一篇记录，由于一些原因一直未整理完成。看题目也知道，这个项目是在学习 Langchain 中期的一个实战：用以巩固 Langchain 基础

OpenClaw、Claude Code 等 Agent 为什么都选择 Node.js？ 作者：吴佳浩 撰稿时间：2026-3-16 最后更新：2026-3-17 目录 什么是 AI Coding A

前面分别讲了 AdvancedRAG 基于检索前和检索中的优化。当然，在检索后也有需要优化的点。 与检索前处理相对应，这是在完成检索后对检索出的相关知识块做必要补充处理的阶段。比如，检索结果重排序。

上一章我们完成了LangChain开发环境的搭建，相当于为大模型应用开发准备好了“工具房”。本章将聚焦LangChain最基础、最核心的两个抽象概念——Models（模型）和Messages（消息）：

前言 前面讲了 AdvancedRAG 在检索前的各种优化，那么在检索时能做哪些优化呢？我们知道传统 RAG 采用向量相似度来检索。但是他有怎样的缺陷呢？

在当前这个大模型（LLM）狂飙的时代，我们正经历着从传统软件向 Agentic AI（智能体 AI） 的范式演进。几乎所有主流的 AI Agent 产品，底层都离不开一项核心基础设施——向量数据库（V

本文分享了OpenClaw核心特性与设计原理，并提供接入国产大模型与聊天工具的实用指南。OpenClaw通过独特的网关系统，四层记忆架构、并借助Agent Skills体系灵活扩展向着未来数字员工迈进

在2022年ChatGPT引爆生成式AI浪潮后，我相信很多人和我一样，从“调用API生成文本”的新鲜感，很快陷入了“如何把大模型做成可用产品”的困境——单独调用GPT-4 API只能实现简单对话，想让

本文详细分享了什么是智能体工程以及开发工程规范。智能体工程将非确定性大模型迭代为可靠生产级应用，它融合产品、工程与数据思维，强调放弃完美主义，在真实用户互动中持续成长，一定会是未来产品的最完美形态。

前面讲了什么是 AdvancedRAG，以及简单讲了其较传统 RAG 的进步性。今天开始从代码层实战开始看看 AdvancedRAG 究竟依靠哪些技术实现了其先进性。主讲Advanc-预检索优化。

文章讲解了AI知识检索系统（RAG）的核心机制。从向量嵌入、HNSW 检索到 Chunk 切块的原理与实现

别再信它“一本正经地胡说”了！用 RAG终结大模型“幻觉”！！ 最近，很多人都在吐槽大模型（LLM）的一个致命毛病： “大模型幻觉” 。

FileSystem中间件为Agent赋予文件管理能力，通过四种后端实现不同层级的记忆：线程级短期记忆、跨线程长期记忆、本地磁盘持久化和 混合路由，从而灵活应对从临时草稿到长期记忆的存储需求。

前言 在 Langchain-RAG中学习了RAG的整个流程。今天简单实现一个基于Langchain-RAG的Web网页摘要检索。 需求背景 我们在日常可能需要获取某个网页的核心摘要。

你是否想过，为什么现在的 AI 编程助手（如 Cursor、Windsurf）不仅能聊天，还能直接帮你创建文件、运行命令、甚至调试项目？ 秘密不在于模型本身更聪明，而在于AI Agent 智能体

前情 上一篇 讲了Langchain使用 Tool 的基本方法。今天就用一个实际小案例来回顾和巩固下Tool的使用。 我们现在实现一个这样的需求：向大模型查询某个地区的天气，返回天气情况。

使用 LangChain 构建语义搜索引擎 本教程将帮助您熟悉 LangChain 的文档加载器、嵌入和向量存储抽象概念。这些抽象概念旨在支持从（向量）数据库和其他来源检索数据。