首页
沸点
课程
数据标注
HOT
AI Coding
更多
直播
活动
APP
插件
直播
活动
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
AI学习手札
chaors
创建于2026-01-26
订阅专栏
AI学习手札
等 4 人订阅
共53篇文章
创建于2026-01-26
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
LangGraph 入门到精通0x00:HelloLangGraph
前面系列地学习过 AI中的一种开发框架 LangChain,今天继续新框架 LanGraph。它超越了LangChain的线性工作流,通过循环支持复杂的任务管理。
Agent来了0x0d:MCP实战-股票分析小助手
前面学习了 什么是 MCP,及其基本使用方式。那么今天就再用一个更接近实际场景。 想象一下你的老板特别喜欢炒股, 那么是不是能做一个简单的 Agent来分析股票行情。
Agent来了0x0e:A2A是什么?
前面学了 MCP,他解决LLM 和物理世界的沟通问题。那么 Agent 之间是怎么通讯的? 我们前面在学习 MAS 时了解了 多Agent的通信机制。今天再去了解另一种Agent通讯协:A2A。
Agent来了0x0c:MCP 初识
之前我们知道 LLM 不能单独靠自己和物理世界通讯,所以,有了 Function calling。MCP正是基于 Function calling 的一套标准协议,让 LLM 和 物理世界的沟通更方便
Agent来了0x07:AI 智能命理机器人
前面学习了 Agent 用法,今天就能用 Agent 做一个简单的AI小项目来练手。 该项目是一个基于FastAPI + LangChain + 阿里LLM构建的国风占卜算命类 AI 聊天机器人。
Agent来了0x09:AutoGen 基础
前面了解了 什么是MAS。那么到底在日常开发中怎么用呢?其实就像 Agent 开发有 Langchain框架一样,MAS 也有成熟的框架。今天就介绍一个叫做 AutoGen 的 MAS 开发框架。
Agent来了0x08:MAS多智能体系统
前面学习了 Agent。那么一个 Agent 会是一个万能的智能体吗? 在处理复杂、多步骤、大规模任务时,单智能体还能得心应手吗?显然是不能的。于是,MAS 多智能体系统 就应运而生。
Agent来了0x02:第一个实战小demo -铁路智能订票小助手
\前面学习了 什么是Agent? 以及其最基础的 Function Calling。那么,今天就简单写一个例子。 需求背景 我们经常在 12306 购买火车票,那么我们其实可以自己用 Agent订票
Agent来了0x06:其他高级范式
前面学习了 Agent 中的三种常见的设计范式: ReAct Plan and Execute Self-Ask 今天继续探索几个其他的高级范式。正是这些范式让 Agent 能更高效更准确地处理问题。
Agent来了0x05:Self-Ask 回路验证
之前学了 ReAct 和 Plan and Execute 两种 Agent 中的设计范式,那么除了这两种还有别的范式吗?
Agent来了0x04:Plan & Execute 范式
前面学了 Agent 中的第一个范式 ReAct。今天继续学习另一个比较常用的开发范式:Plan & Execute。
Agent来了0x03:ReAct 范式
前面讲了 Agent 相关的核心概念和工作架构。那么有哪些核心的设计让 Agent 能顺利且准确地完成任务呢?这次就学几个关键的核心设计来加深对 Agent 的理解。这次主要学习ReAct。
Agent来了0x01:Function Calling
前面学习了 什么是AI Agent,更早也在 Langhcain-Tool 中学习了 Langchain 中怎么使用工具,其中也谈到了Function Calling技术。但是当时并没有细究。
Agent来了0x00:什么是AI Agent?
前面我们在学习 Langchain 框架的时候,见过如下的代码。这里的create_agent 就是创建了一个Agent智能体。那么到底什么是 Agent 呢?他和原有的 LLM 有什么区别?
从零学RAG0x0f:RAG 评估指标提升实战
前面学习了 什么是 RAG 评估 以及相关指标。在相关 Demo 中也看到有些指标比较低,那么实际开发中该怎么去提升这些指标呢? 指标的理想值并非一成不变,需结合业务场景的风险和需求来设定。
Langchain入门到精通0x05:第一个实战-智能电商客服系统
前情 本身这篇文章是在学习了 Langchain 基础之后的一篇记录,由于一些原因一直未整理完成。看题目也知道,这个项目是在学习 Langchain 中期的一个实战:用以巩固 Langchain 基础
从零学RAG0x0d:AdvancedRAG检索后优化
前面分别讲了 AdvancedRAG 基于检索前和检索中的优化。当然,在检索后也有需要优化的点。 与检索前处理相对应,这是在完成检索后对检索出的相关知识块做必要补充处理的阶段。比如,检索结果重排序。
从零学RAG0x0c:AdvancedRAG检索优化-混合检索
前言 前面讲了 AdvancedRAG 在检索前的各种优化,那么在检索时能做哪些优化呢?我们知道传统 RAG 采用向量相似度来检索。但是他有怎样的缺陷呢?
从零学RAG0x0b:AdvancedRAG查询优化-Multi-recall(多路召回)
前言 书接上文(AdvancedRAG预检索-查询优化(一)),我们继续一起学习 AdvancedRAG 预检索中查询优化最后一种常用的技术手段:Multi-recall(多路召回)。
从零学RAG0x0a:AdvancedRAG查询优化-问题丰富 & 问题拆解
前言 前面讲的都是基于索引的优化。那么用户的查询就没有问题吗?答案是肯定的。所以 AdvancedRAG 在检索前基于`query`也做了一定优化。今天主讲 问题丰富 和问题拆解。
下一页