从Vue到Agent：我的AI开发学习日记

本文介绍了如何使用LangChain Agents构建智能文件管理助手，对比了四种Agent类型，并提供了选择建议。

本文介绍了如何使用LangChain Tools封装工具集，解决AI开发中的常见问题。LangChain通过标准化接口和Zod验证实现了统一处理。

本文介绍了LangChain.js框架的核心价值和应用场景。通过对比手写代码和框架使用，展示了LangChain在减少重复代码、提升开发效率方面的优势。

文章详细阐述了任务拆解的五个策略模式（顺序、并行、条件、循环、聚合拆解）和四种Prompt技术（显式要求、模板化、Few-shot示例、思维链引导），通过任务拆解可显著提升AI的执行成功率和可解释性。

ReAct模式是一种让AI通过"思考-行动-观察"循环自主解决问题的方法。相比传统固定流程的Chain模式，ReAct具有动态决策、多轮推理、自我修正等优势。

本文探讨了AI系统中的错误处理与容错机制，通过对比有无错误处理的用户体验差异，强调其重要性。文章将常见错误分为五类（参数/业务/网络/权限/限流错误），并提出了结构化错误信息设计标准。

AI工具调用的准确性取决于Tool Schema的设计质量。好的Schema设计能显著提升AI的理解和调用精度，而差的设计会导致频繁出错。

本文深入解析了Function Calling的底层机制，重点剖析了请求参数（tools和tool_choice）与响应结构（tool_calls）的设计逻辑。

Function Calling是AI从被动应答到主动执行的关键技术，通过结构化函数调用让AI具备实际操作能力。其核心流程包括：定义工具、AI返回工具调用请求、执行工具并返回结果、AI生成最终响应。

本文介绍了Prompt工程中的两种进阶技巧:少样本提示通过提供输入输出示例让AI模仿特定模式，适用于格式固定或有明确规律的任务;思维链则引导AI展示推理过程，适用于多步骤、条件复杂的场景。

本文探讨了如何通过结构化Prompt让AI生成更符合需求的代码，以Vue3组件开发为例，对比了开放式提问和结构化Prompt的效果差异，提出四大核心要素：角色设定、上下文信息、明确任务和输出格式要求。

本文介绍了如何快速搭建一个AI对话应用，提供了非流式和流式两种API调用方式，解释了Token的概念和计费方式，通过10分钟即可完成从零到一的AI应用搭建，适合新手入门体验。

这不是AI理论专栏，而是聚焦前端视角的AI应用实战，记录从Vue/Electron到AI集成的真实转型经验。