第10章：从零写一个 dsh 插件——实战指南 理解了 Cordis 的原理，接下来动手。这一章带你从零写一个完整的 dsh 插件：定义工具、加配置、注册事件监听器、打包成 bundle（插件包）、安

NestJS + LangChain 集成指南：从库封装到手动构建 📌 前言 在 NestJS 中集成 LangChain，主要有两种主流方式： 库封装方式：使用第三方库 nestjs-langcha

Loop Engineering 和 Graph Engineering 上周突然听到一个新的名词--Loop Engineering。然后趁着周末我研究一下。结果一研究

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

MCP 新规范竞速 LangChain4j 先冲线，但 Spring AI 的慢是结构问题不是效率问题：传导链、治理模式与生态位的三层拆解，附选型建议。

从 NestJS 基础到 LangChain 实战：构建可维护的 AI 应用架构 写在前面 如果你正在学习 NestJS + LangChain，恭喜你，你走上了一条既能写出高质量后端代码，又能拥抱

让 AI 自己卷自己：50 行代码实现「LLM 当评委 + 多选一」的 Harness 工程 大模型不是"稳定输出"的机器。同样的 Prompt，问十次可能给你十个不同的答案，质量参差不齐——这就是我

大模型只会生成文字，Tools 让它可以查询天气、调用 API、操作数据。本文讲透工具调用的完整流程、两种工具定义方式，以及 tool_choice 强制使用工具的四种策略。

LangSmith 是 LangChain 官方调试监控平台，本文讲清 4 个环境变量接入方式、三大功能板块，以及用run_name/tags/metadata 给每次调用

核心结论（金字塔塔尖） Agent 的本质是给 LLM 补上它天生缺失的五种能力——Memory、Tool、RAG、MCP、Skills——从而把一个"只能聊天的大脑"变成一个"能记住上下文、能动手执

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

前言 直接用大模型问《天龙八部》武功、人物，经常乱编剧情、混淆人物，这是通用LLM的天生短板——训练数据有截止时间，没有私有文本记忆。 今天用Node.js完整落地一套端到端RAG知识库，把EPUB武

RAG智能客服7天实战：分块切断答非所问、ada-002中文召回仅62%、FAISS OOM、LLM幻觉编功能……从文档预处理到混合检索+重排序，召回率冲到95%，附完整可复制代码。

说出来你可能不信，核心逻辑其实就一个循环。剩下的全是细节坑。 先把最核心的问题想明白：大模型为啥需要 Tool？ 说实话最开始我对 Tool 这个概念挺模糊的。不就是大模型吗，怎么还需要调用工具？ 后

文本切片把长文档切成大小合适的片段，让每段能被独立向量化与检索；Overlap 让相邻片段重叠一部分，避免语义在边界被切断。单靠向量检索容易漏掉精确关键词，混合检索把向量通道与关键词通道的结果合并重排

深入讲解 AI Agent 的核心概念、三大构成要素，LLM 应用从简单问答到自主代理的演进历程，LangChain 生态体系定位，以及 TypeScript 版本的选择理由。

本文先讲清楚底层采样原理，再通过 LangChain 完整代码演示两套模型链路：创意生成链路 & 严谨写实链路，带你在业务里可控地驾驭大模型随机性。 一、大模型是怎么生成文本？核心：预测下一个词 大模

这一章为 DeepResearchSystem 增加基于 Milvus 的 KB知识记忆，避免 Agent 出现知识断层，每次 运行都得从零开始沉淀。一个拥有记忆的 Agent 想想都刺激。啊哈哈..

28 个斜杠命令5 层架构，从来源注册到优先级分发，智能体的命令体系远不止 if-else 那么简单。本文拆解生产级智能体的命令系统，帮你理解生产级智能体在“交互效率”和“系统安全”之间合理设计。