本文是Git零基础入门指南，从Git是什么、版本控制原理到核心作用，帮前端新手快速建立Git认知，为后续学习命令打下坚实基础。

wechat-auto-publishing这个skill提供了一套开箱即用的AIAgent技能包，通过ClaudeCode/OpenClaw实现微信公众号从资讯收集到发布的完整闭环。

如果你正在为企业的AI智能化转型寻找合适的智能体解决方案，面对市场上众多的大模型产品，可能会感到有些迷茫。哪些模型真正具备强大的智能体能力，能够帮助企业实现从"工具"向"智能伙伴"的转变？这种困惑很正

调用第三方API最怕什么？怕被限流！今天分享一个自制的限流任务执行器，能帮你轻松控制请求频率，还能自动重试失败任务，指数退避不添乱。代码可直接复制到项目中使用

栈和队列是两个经典的数据结构，在算法讲解中，我们不会像数据结构中那样去剖析怎么写一个栈或者队列，而是调用STL库中的stack和queue帮助我们解决题目。

人工智能工程化落地已进入规模化落地阶段，模型服务平台从单一模型管理工具演进为覆盖训练适配、参数微调、服务部署、运维监控与商业变现的全链路生产基座。当前国内市场形成百度千帆、阿里 ModelScope、

> 导语：在本课程的最后一章，让我们将目光从具体的代码和技术细节中抬起，投向更广阔的星辰大海。我们已经通过“AI 皮肤科医生”项目，亲眼见证了模型微调如何将一个通用模型“点化”为垂直领域的专家。然而，

> 导语：纸上得来终觉浅，绝知此事要躬行。在本课程的最后一个实战项目中，我们将把第五周的所有核心技术——LoRA 微调与 vLLM 部署——落地到一个具体、有价值的应用场景中。我们将亲手构建一个“智能

> 直播导语：同学们，欢迎来到我们《Agentic AI 智能体开发行动营》的最后一次直播课！在过去的五周里，我们一起经历了一段非凡的旅程：从 Function Calling 的“第一次接触”，到

> 导语：我们已经成功地微调并评估了我们的“AI 皮肤科医生”模型。现在，我们面临着“最后一公里”的挑战：如何将这个模型部署成一个高性能、高吞吐、可供成千上万用户同时访问的在线服务？使用标准的 Hug

> 导语：在上一章的“炼丹”实战中，我们成功地微调出了一个“AI 皮肤科医生”模型，并通过几个简单的对话，直观地感受到了它的变化。但这种“感觉”是主观的、不可靠的。要将“炼丹”从一门“玄学”变为一门“

> 导语：理论的尽头是实践。我们已经理解了 LoRA 的原理，并学会了如何“指挥”GPT-4 为我们生产高质量的微调数据。现在，万事俱备，只欠“开炉炼丹”。本章将是一次纯粹的、从头到尾的动手实战。我们

> 导语：在上一章，我们掌握了 LoRA 这把“手术刀”。但再高明的外科医生，也需要对“病灶”有清晰的了解才能下刀。在模型微调这个“手术”中，数据就是我们要处理的“病灶”，它的质量直接决定了手术的成败

> 导语：欢迎来到课程的最后一周！在前四周，我们如同“装备大师”，学会了使用 Prompt、工具、框架、评估体系等“外功”来武装我们的 Agent。但面对某些高度专业的垂直领域（如医疗、法律、金融），

> 导语：在 AI 应用可观测性（LLMOps）的江湖中，有两个名字你一定绕不开：Langfuse 和 LangSmith。前者是我们本周深度学习和实践的开源利器，后者则是 LangChain 官方出

> 直播导语：各位同学，欢迎来到第四周的收官直播！我们已经学会了如何追踪、评估和加固我们的 AI Agent。但一个残酷的现实是：上线只是开始，运维才是“正餐”。一个今天表现完美的 Agent，明天可

> 导语：在上一章，我们构建了一个“AI 防火墙”，学会了如何检测正在发生的攻击。然而，在安全领域，仅仅满足于“发现问题”是远远不够的。一个真正健壮的系统，需要构建纵深防御（Defense in De

> 导语：我们已经构建了功能强大、可观测、可评估的 AI Agent。但我们是否忽略了一个致命的“阿喀琉斯之踵”——安全？当你的 Agent 能够调用 API、访问数据库、甚至执行代码时，它就从一个信

> 导语：我们已经学会了用 Langfuse 收集 AI 应用的“痕迹”（Traces）。现在，是时候从这些痕迹中“断案”了——也就是进行评估。评估是连接“可观测性”和“持续优化”的桥梁。在本章中，我

> 导语：在上一章，我们已经成功地在本地运行了 Langfuse，并初步领略了其强大的追踪能力。现在，是时候将这项能力应用到我们之前构建的各种 AI 应用中了。本章将是一次聚焦于“集成”的实战演练。我