LLM应用开发实践笔记

大多数程序员已将 AI 深度融入其核心工作，并实现了高度规范化的协同模式。**AI 负责自动化编码任务，而人则可专注于更高层次的角色——如项目经理、系统设计师和软件架构师等**。本文将在“术”的层面总

ChatGPT 和 Claude 这两个最主流的 AI 助手，在记忆系统的设计上走了完全相反的路。一个选择了"无感知的全面记忆"，另一个选择了"用户主导的按需回忆"，这背后其实反映了一个更深层的问题：

梳理 8 款主流AI编程工具的配置机制，分析AGENTS.md背后的设计理念，并提出面向各类Agent的通用规范语言ASL，助力工具间知识和规则的互通。

深度解析AI编程两大模式：Vibe coding与专业辅助编程。探讨Cursor、Claude Code等工具如何改变开发流程，分享设计稿转代码等实战案例，揭示AI编程的未来趋势。

聚焦LangChain全家桶工具设计理念，深入探讨企业级AI应用构建方法。涵盖LangChain、LangGraph、LangSmith等核心工具，详解Agentic工作流、可观测性设计及AI工程化最

如何打造一个专门面向开发者、汇总 AI 技术领域动态的日报，这篇文章向大家介绍日报的定位和实现过程。

这篇文章通过对OpenAI 的 Agents SDK、Google 的 ADK、Crew AI、LlamaIndex、Agno、AutoGen 等多种流行的 Agent 框架设计思路的对比分析，以及对

模型上下文协议（MCP）作为一种开放标准协议，正在迅速普及，允许模型客户端与外部服务和工具服务器交互。但长期使用下来仍存在复杂性、安全性、权限管理等问题，本文深入探讨了这些问题，并分析了潜在的商业机会

Anthropic 新发布的 MCP借鉴了 LSP（Language Server Protocol）的核心思路，用一套统一的通信协议，让 AI 应用能像插 USB-C 一样轻松“接入”外部资源、

硅谷对 AI Agent 的热情高涨，但对其定义的混乱引发了行业内外的担忧。从 OpenAI 到微软、Salesforce 和谷歌，每家公司都提出了自己的解释，这种缺乏共识的现象不仅让客户感到困惑

大型语言模型（LLMs）中存在的数据污染是一个重要问题，可能会影响它们在各种任务中的表现。这指的是LLMs的训练数据中包含了来自下游任务的测试数据。解决数据污染问题至关重要，因为它可能导致结果偏倚

Llama-3，作为继Llama1、Llama2和CodeLlama之后的第三代模型，Llama3在多个基准测试中实现了全面领先，性能优于业界同类最先进的模型，你有没有第一时间体验上呢，这篇文章就分享

本文首发于博客 基于大模型的Agent进行测试评估的3种方案 我们都知道当前基于大模型构建的 Agent 能力极不稳定，而今年我司产品又在规划接入 Agent 能力，所以在引入之前，需要先设计一套测试

本节将从 Agent 概念、ReAct 框架、示例、以及一些论文思路来具体聊下任务规划的话题，同时会辅以代码帮助理解，欢迎大家一起探讨。

在基于大模型的 Agent 中，长期记忆的状态维护至关重要，在 OpenAI AI 应用研究主管 Lilian Weng 的博客《基于大模型的 Agent 构成》中，将记忆视为关键的组件之一，下面我将

LangChain 在 0.1 版本发生了重要变更，官方还专门发了一篇博客，总体看下来可以概括为聚焦核心，共建生态，轻装上阵，加速商业化，我也在第一时间向官方申请试用了商业化产品，本篇文章从 Lang

文章会分为四个部分，从初次接触 ChatGPT 沉迷追 AI 新闻，到开始亲身实践，利用 LLM 进行一些有价值的工作，然后以开发者视角总结一年来大模型各个层面的发展，标志性的开源项目、基础模型服务商

Semantic Kernel 和 LangChain 是当前比较受欢迎的两款 LLMs 应用开发框架，笔者通过实现一个支持联网功能的智能 AI 助手来比较分析下两个框架的差异（适合自己场景的工具才是

本文首发于博客LLM 应用开发实践 先看效果 演示效果 整体方案 整体方案在于文档预处理阶段实现满足上下文窗口的原始文本分块，文档检索阶段实现文本的三次检索，下面逐一进行说明。测试文章来自 大语言模型

最近看到的一个开源的提示词编排平台[bisheng](https://github.com/dataelement/bisheng)，音同「毕昇」，项目介绍说 「“毕昇”是活字印刷术的发明人，活字印刷