AIGC

有人认为 Agent 将取代 Workflow，成为未来的主流交互范式；也有人认为 Workflow 的确定性是业务系统的基石，不可动摇。本文旨在探讨二者在 AI 时代下的真实关系，并试图厘清从传统自

到了多 Agent 时代，上下文工程问题发生了质变。我们不再面对一个窗口，而是面对一组物理隔离、逻辑关联的窗口集群。

浅谈Agent上下文工程 引言 上下文窗口是 LLM 最核心、最昂贵，也是最稀缺的资源。如何在这有限的空间里，精准地组织、管理和提供信息，直接决定了 Agent 的性能、成本与可靠性。

上下文隔离的两种模式 ——从 Manus 的实践，看多 Agent 架构的真实成本 引言：多 Agent 的真正难点，是“会不会协作”

AI Agent的Context Engineering：构建Manus的经验教训。Manuns为何放弃模型微调选择了上下文工程？

摘要、压缩与处理大工具输出的工程实践——从 Manus 的经验，看 Context Engineering 的“高风险区”

浅谈上下文工程｜从 Claude Code 、Manus 和 Kiro 看提示工程到上下文工程的转变

随着大模型上下文窗口扩展，Agent核心瓶颈已从提示设计转向上下文管理。本文从"上下文腐烂"出发，分析污染、干扰、混淆、冲突四类失效模式，结合WSCI工程操作，系统阐述稳定可扩展的Agent上下文。

本文章介绍了为什么要使用rerank模型，以及embedding模型和rerank的模型的特点，非常适合了解技术背后的原因。

jetty容器部署 websocket的war包报错，jetty容器默认不支持websocket，需要使用命令生成websocket的module。

后端流式响应测试环境https请求正常，服务上线后，https请求页面响应卡顿，经过排查，Nginx流式响应的配置默认开启缓冲区，本文记录排查过程。

1.导语 谷歌推出的BERT模型在11项NLP任务中夺得SOTA结果，引爆了整个NLP界。而BERT取得成功的一个关键因素是Transformer的强大作用。

RAG系列之：深入浅出 Embedding 什么是文本向量化？ 文本向量化就是将文本数据转成数字数据

一文读懂：大模型RAG RAG 检索增强生成（Retrieval Augmented Generation），简称 RAG，已经成为当前最火热的LLM应用方案。

如何理解检索增强生成（RAG） 简单来说，RAG就是让LLM通过外部知识源获取额外信息，从而生成更准确、更符合上下文的答案，并减少错误信息（或称为“幻觉”）的产生。

Dify 可以方面的管理多个大模型，方面用户快速使用和切换多个大模型，此外，Dify可以很方便的查看应用的使用数据。

Langchain源码debug： - configs/ 配置文件路径 - server/ api服务、大模型服务等服务程序等核心代码 - webui_pages/ webui服务 - startup

前言 Langchain代码中使用了FastApi和Streamlit框架，本文简单介绍总结一些python基础应用框架的概念和使用方式。

一、Langchain核心组件 LangChain 包含六部分组成： Models：模型，各种类型的模型和模型集成，比如GPT-4 Prompts：提示，包括提示管理、提示优化和提示序列化 Memor