人工智能

一个开箱即用、单文件驱动的纯前端大语言模型聊天应用。基于 Transformers.js 和 WebGPU 技术， 让你无需任何后端服务器，即可在浏览器中直接本地运行 Qwen3.5 视觉语言大模型

监督者模式是一种多智能体架构，其中中央监督者智能体协调专业化的工作智能体。当任务需要不同类型的专业知识时，这种方法尤为有效。

传统 Agent 的架构困境 所有大模型的 Agent 能力都面临一个根本性矛盾： Chain-of-Thought（CoT）推理模式：  能进行多步复杂推理，但推理过程是封闭的，无法中断去调用外部工

在 Generative AI 的热潮中，我们很容易用 LangChain 等框架快速搭建一个 Demo。然而，当我们将这些应用部署到生产环境时，噩梦往往随之而来

deepagents 是一个独立的库，专为构建能够处理复杂、多步骤任务的 agents 而设计它基于 LangGraph构建，灵感来源于Claude Code、Deep Research 等应用

如果跟着我完成了前面的一些学习，相信你也对ai有一定程度的了解了，话不多说我们下一步继续学手搓一个简单的ReAct Agent!

许多LLM（大型语言模型）应用程序在LLM调用之前和/或之后执行特定的步骤控制流。例如，RAG（检索增强生成）会检索与问题相关的文档，并将这些文档传递给LLM，以便为模型的回答提供依据。

本文档对模型上下文协议（MCP）进行概述，涵盖其应用范围、核心概念，并通过示例展示每个核心概念。该部分阐述了MCP服务器如何向人工智能应用程序提供上下文信息。

在许多问答应用中，我们希望允许用户进行多轮对话，这意味着应用需要具备某种对历史问答的"记忆"能力，以及将这些信息融入当前思考的逻辑。本文将扩展实现以支持对话式交互和多轮检索流程。

LangChain 中的工具抽象将 TypeScript ​函数与定义函数名称、描述和输入的模式关联起来。工具可以传递给支持工具调用的聊天模型，允许模型请求执行具有特定输入的特定函数。

大型语言模型（LLM）最强大的应用之一就是​​复杂问答（Q&A）聊天机器人​​。这类应用能够基于特定源信息回答问题，其核心技术称为​​检索增强生成。

上一篇讲了基本的调用LLM，还有简单或者灵活的去使用模板生成提示词，以及使用提示词+解析器实现结构化的输出，这一节介绍一下Loader、Embedding和搭建向量数据库，最后实现一个简单的RAG

因为最近ai挺火的，所以学习了一下LangChain.js，这是我学习过程的笔记，内容和例子主要来自官方文档。

最近在学RAG，学到Embedding部分，想搭建一个向量库去存数据，看了一圈网上以及问大佬，基本都是推荐milvus这个数据库，所以就开始想搭建一下玩玩

还不会如何请求ai并处理流式输出吗？只需几步即可调通ai，并且掌握Event Stream/SSE的处理方式，这不来学一下吗！

在Rust中创建我们首个生产级RAG（检索增强生成）解决方案。在这篇文章中，我将详细阐述我们所采取的步骤、遇到的困难，以及Rust社区在这一领域的现状。

最近在跟着Rust语言圣经学Rust，但是学完之后根本记不住那么多类型，想重新回去记下笔记又发现很多类型分散在各章实在不好找。然后突然想到现在AI都这么强了，何不向AI这个好老师学习一下呢。

这里我们开始尝试实现语音转文本。对于我们第一个示例，只有几行代码，模仿OpenAi whisper在浏览器中实现自动语音识别。

本文介绍Hugging Face是如何将其AI生态系统引入到Web中的。通过transformers.js，您可以直接在浏览器中运行Hugging Face的Transfrmer模型。