AI 学习与研究

先看一个翻车现场 上一篇末尾我埋了个伏笔，现在揭晓。连续问它两个问题： 上一句刚说完，它翻脸不认人。 我第一次碰到这个的时候，第一反应是"这模型有 bug 吧"。后来想明白了：没有 bug，这就是 A

起因 前阵子公司想搞个内部 AI 工具，活儿落我头上。说实话我当时对大模型的认知停留在"网页上跟它聊天"，代码怎么调、钱怎么算、Key 从哪来，一概不知。折腾了一晚上跑通第一次调用之后我发现，这件事本

原招聘信息地址 https://app.mokahr.com/social-recruitment/high-flyer/140576#/job/8d40c764-d2b2-49b1-826c-e3f

——RAG 文档摄入全链路，从原理到生产落地 去年有个朋友找我帮忙，他公司积累了几百份技术文档和员工培训资料，每次新员工入职，都要人工翻找、逐一阅读，效率极低。他的诉求很简单：能不能做一个内部知识库，

最近在研究多智能体开发框架，发现一个很有意思的开源项目——NousResearch 的 Hermes Agent。它的口号是"The agent that grows with you"，翻译过来就是

日常使用AI开发时，常会遇到这类问题：让AI编写完整的用户登录模块（前端页面、后端接口、数据库表、单元测试），AI快速生成代码后，普遍存在字段缺失、接口无加密、前端无校验、遗留错误处理等问题，看似完成

举个例子 想象一下，AI大模型用 0.5秒生成了这样一段文本： 那么问题来了：这个AI怎样在这么短的时间内，"想出来"这条段文本的？ 答案可能会颠覆你的想象。它并不是在"思考"，而是在进行一个机械的、

最近完成了一个 AI 多模态应用项目，包含聊天、笔记、图像生成等功能。技术栈，前端采用 Vue3.5 ，后端采用 Node.js 的 Express 框架开发过程中，我发现很多功能模块在其他项目中也会

近几年，很多人的直觉都在被刷新：写文案、写代码、做方案、做总结，AI 的表现越来越像“高智商助理”。于是一个更尖锐的问题浮出水面： 如果“智商”可以被机器大规模复制，甚至在很多任务上被超越，那么人类在

🚀 最近搞了一个挺有意思的项目：用 Vue3.5 + Node.js 从 0 到 1 打造一个生产级的 AI 多模态应用。 你可以在里面： 跟 AI 实时对话（支持流式打字动画）💬 输入文字，直接合成

这两年我经常会听到两句话。 一句是“要淡泊名利”，好像只要心态稳一点，生活就能轻很多。另一句是“别矫情，先把钱挣了”，好像只要足够努力，焦虑自然会消失。 但作为一个长期和 IT 圈节奏打交道的人，我越

🧩什么是 MasterGo AI？ MasterGo 是一款国产在线 UI 设计工具，类似 Figma，但更轻便、学习门槛低。其 AI 功能支持： 一句话生成高保真 UI 页面 支持移动端、网页、后台

一个 AI 聊天功能，背后至少 8 个你没想到的工程细节 很多人第一次做 AI 项目，都会有一个错觉。 但只要你真的做过一个像样的 AI 聊天功能，你就会发现：真正的难点，80% 都不在模型本身。 一

引言 随着大语言模型能力不断增强，AI 应用的复杂度迅速上升。 现实中的 AI 系统，早已不再是“一次 Prompt → 一次回答”的简单模式，而是逐渐演变为： 多步骤推理 多 Agent 协作 带条

引言 随着大语言模型能力的快速演进，真正的技术挑战已经不再是“如何调用模型”，而是： 如何组织 Prompt 如何管理上下文 如何接入外部数据 如何构建多步骤推理流程 如何让模型在复杂任务中稳定工作

文章探讨了AI工具在软件开发自测环节的应用价值。针对传统测试存在的效率低、易遗漏、管理混乱等问题，作者提出通过AI辅助实现测试工程化：1）系统性梳理功能点；2）自动生成结构化测试用例；3）构建

一、从“模型”到“Agent”：AI 应用范式的根本变化 早期 AI 应用的核心是模型调用： 输入 → 模型 → 输出。 但随着生成式 AI 能力爆发，问题开始变得复杂： 输入不再只是文本，而是图像、

FastAPI 是近年来 Python 生态中增长最快的 Web 框架之一，因其高性能、强类型、自动化文档、优秀的异步支持，已成为构建 API 服务、AI 推理接口、数据服务的主流选择。 本文将从纯后

这篇文章将会系统地提炼 Python 的核心知识点、语法特性和编程风格，帮助你高效地建立完整的 Python 知识体系。 一、基础语法 1.1 变量与赋值 Python 不需要专门的关键字来声明变量，

在多模态 AI 应用开发中，开发者常面临三大核心痛点：工具调用顺序混乱、步骤结果无法传递、架构集成复杂。传统的基于大语言模型的 BaseAgent 因其随机决策的特性，难以保障复杂任务的可靠执行。本文