上周出了一次挺丢人的事故。一个学生问助教小E："我明天的课是几点？"小E秒回："您的写作课在周三下午三点，3 号教室。"学生第二天下午三点到了 3 号教室——那天根本没排课，写作课是周六上午的。 另一

晚上八点，家长的黄金咨询时段，运营突然在群里刷屏：小E卡住了。 我看了一眼后台，症状比"卡住"难看得多。有的家长转圈三秒然后看到一句报错；有的等了九秒，换来同一个错误；还有一位家长运气好，等了五秒拿到

前段时间Jev挺火。我一开始也以为它是又一个新模型，实践之后才发现它的与众不同！它是一个可以在AI工作流中，工程化地实现轻量决策层的工具，帮助流程降本提效！

上周启明英语的助教"小E"上线了作文批改，第一天就出了两单事故。 一单是打分接口超时。批改流程是"读题 → 找语法错 → 找用词问题 → 看结构 → 打分 → 生成评语"，前四步都跑完了，卡在打分上。

小E 上线第三天，课程顾问来找我，语气不太友好。 一位学员在 App 里问小E："启明英语的口语课一共有几级？"小E 回得又快又顺："一共六级，每级 12 课时，建议从一级开始逐级报读。"学员信了，直

``` from langchain_core.messages import AIMessageChunk, HumanMessage from langgraph.types import Com

一、故事的开头：本地跑通了，然后呢？ 前段时间，我做完了一个 AI 项目—— 学面通AI。前端、后端、数据库、向量库都已经在本地跑得好好的：打开 localhost，功能一切正常。但是要怎样才把这个项

从「每天上班前想知道下不下雨」出发，做了个 6600 行的 AstrBot 插件。记录 12 次提交里踩到的 6 个坑，以及为什么最后把坐标顺序改成了纬度在前。

接手启明英语的批改模块后，我干的第一件事是把第 2 篇那套人格提示词接进业务，然后立刻撞上了下一堵墙。 模型的回答真的变规整了：错在哪、为什么、怎么改，三段清清楚楚，老师看了都说好。但产品那边给我的需

上个月给「启明英语」的助教小 E 做口语陪练，上线没几天，负责运营的同事甩给我一张账单截图，问我一句话：为什么同一个学生，聊到第 12 轮，单轮花的钱是第 1 轮的八倍？ 我当时以为他看错了，结果自己

在所有现代网民的认知潜意识里，有一个被供奉了近二十年的“数字隐身斗篷”：

上周有个学员找我，说他的英语批改助手"抽风"：同一段代码，上午批改返回三行规整的"错在哪—为什么—怎么改"，下午就变成一篇热情洋溢的小作文，晚上干脆给他打了个分还附赠评语。 代码一行没动。他怀疑是模型

一、为什么需要"AI 团队"？ CrewAI 核心由 智能体（Agent）、任务（Task）、团队（Crew）、流程（Process） 四部分组成，支持两种运行模式：顺序模式（sequential）

我带学员做 AI 项目，第一天挂掉的人里，十个有七个不是死在代码上，是死在环境上。 典型现场是这样的：教程说 pip install xxx，他装了，运行报错说找不到包；再装一次，装到全局去了，把另一

做人像换装、商品换场景这类图像编辑任务时，经常要同时上传好几张参考图：一张人物、一张外套、一张手袋，可能还有一张背景。图一多，提示词就很容易写乱——哪张图负责什么、要保留哪些细节、冲突时听谁的，全靠临

第二章：大语言模型（LLM）基础 构建 AI Agent，大语言模型（LLM）是最核心的基础设施。Agent 的推理、工具调用、记忆能力，都依赖底层模型质量。理解 LLM 的内部机制，才能在工程中做出

文本检测的接入难点在「异步 + 扣费」，图片检测则多了一层：你得先解决怎么把图片送过去，以及送过去的是不是你想检测的那张图。

四层防护只要 150 行标准库代码：Schema 校验、暴露收敛、权限白名单、运行时熔断，五个场景跑给你看，附可直接运行的完整实现。

模型选错工具不是主因，60%–75% 的失败是参数填错。四层防线：Schema 约束、分类收敛、权限白名单、运行时风控加高危二次确认，附每层的失效边界。