本篇以EasyDataset为例，系统讲解大模型预训练数据集的构建流程：从安装配置、文本分块（多种策略）、数据清洗到领域标签生成，最终导出预训练数据，为初学者提供从原始文档到高质量数据集的完整实践。

一、为什么 Agent 是 AI 的“跨时代产品”？—— 爆火产品背后的逻辑 近期 AI 领域的爆发式增长，不是因为模型变大了，而是产品形态发生了质变。我们来看几个典型代表： 1. 千问点奶茶：自然语

LangChain是一个用于构建由 LLM 提供支持的代理和应用程序的框架。LangChain 是⼀个开源框架，它允许开发⼈员将像通义千问、DeepSeek这样的⼤语⾔模型与外部的系统和数据源结合起来

DeepAgents是LangChain团队开发的框架，封装任务规划、子代理管理、文件系统等通用能力，通过create_deep_agent函数让开发者仅需数行代码即可构建复杂智能体，实现搭积木式开发

本文深入讲解LangChain DeepAgents内置的Summarization中间件，它能自动压缩对话历史，解决大模型上下文窗口限制问题，为Agent记忆“做减法”，助力高效处理长任务。

在开发 AI Agent 时，AI 难免会“翻车”——比如在修改代码、编辑文件时写出错误的逻辑，或者直接把原本正常的代码改坏了。这时候，如果能有一个“后悔药”或者“时光机”，一键让文件恢复到 AI 修

🎯 2026 年，AI Agent 正在改变软件开发的游戏规则。本文将手把手教你从零搭建一个能自动处理任务的智能助手。

在使用 AI Agent 开发复杂任务（如代码重构、长篇写作）时，最头疼的就是“断档”。一旦程序崩溃或需要分阶段执行，AI 往往会丢失之前的上下文。 Anthropic 发布的 Claude Agen

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

复杂的流程在运行的时候还需要跨越多个对话的长期甚至永久存储，这类存储被抽象成一个`BaseStore`类型，采用内存存储的`InMemoryStore`它的常用实现。

因为项目的需要，之前研究了一段时间的RAG，于是本文总结 8 种 RAG 架构，对每种架构进行简要介绍，并用 langchain 实现其参考代码。

在复杂的 AI 系统中，仅仅能“运行”是不够的，RunnableSerializable 使组件`可保存、可传输、可重建`。大多数常用的 LangChain 组件对应的类型都是它的派生类。

Pregel提供了update_state/aupdate_state和bulk_update_state/abulk_update_state方法，我们可以调用它们以增量的方式修改部分状态

一、前言：为什么要学习RAG？ 在大语言模型（LLM）飞速发展的当下，我们在使用大模型时常常会遇到两个核心痛点：一是大模型的知识库存在“时效性滞后”问题，无法获取训练数据之后的新信息，也无法访问企业内

针对智能体工具过多导致性能下降的问题设计了一种仿ClaudeSkills的解决方案，通过双层工具架构、状态驱动与中间件拦截机制，实现工具的按需动态加载，显著降低Token消耗并提升模型调用工具的准确性

在使用 AI Agent（智能体）构建自动化流程时，最令人头疼的问题往往是： “如何防止 Agent 乱来？” 比如误删文件、执行了高危 Bash 命令，或者在模糊指令下“瞎猜”用户意图。 Anthr

在构建 AI Agent 时，我们经常面临这样的挑战：如何监控 Agent 的思考过程？如何在它执行危险指令（如 rm -rf）前拦截？如何统计它消耗的 Token？ Anthropic 推出的 Cl

在构建 AI Agent 应用时，用户体验至关重要。如果让用户盯着一个旋转的加载图标等待几秒甚至几十秒才能看到完整的回复，体验是非常糟糕的。 流式输出 (Streaming) 允许你的应用像打字机一样

在构建 AI Agent 时，权限控制 (Permissions) 是连接“智能”与“安全”的护城河。你肯定不希望你的 Agent 在未经允许的情况下删除了生产环境的数据库，或者在调试时因为频繁的“请