获得徽章 0
Bolt.new 通过提示词工程化，一句话生成 Web 应用。
核心功能✨
代码生成：集成 Claude 等顶级 AI 模型，动动嘴就能生成代码。比如“用 React 做个待办事项应用”，Bolt.new 秒出代码片段，甚至搞定复杂的多页应用、后端服务和数据库集成。💡
全栈开发环境：基于 WebContainers 技术，浏览器里就能跑完整开发环境。npm、vite、next.js 全支持，内置 VSCode 级别编辑器，开发体验丝滑。
实时运行与调试：边写代码边预览效果，一键部署上线，智能错误检测自动分析并修复。🚀
便捷部署：一键部署到 Netlify，Cloudflare 也即将支持，全程无脑操作。📤
第三方工具集成：支持 Supabase 等流行工具，轻松连接数据库。🔗
优势
无需本地环境：所有开发都在浏览器里搞定，开发门槛低。💸
快速启动与分享：环境秒启动，一键分享给小伙伴，团队协作超方便。👥
跨平台一致性：无论 Windows、macOS 还是 Linux，开发体验一致。🌐
核心功能✨
代码生成：集成 Claude 等顶级 AI 模型，动动嘴就能生成代码。比如“用 React 做个待办事项应用”，Bolt.new 秒出代码片段，甚至搞定复杂的多页应用、后端服务和数据库集成。💡
全栈开发环境：基于 WebContainers 技术，浏览器里就能跑完整开发环境。npm、vite、next.js 全支持，内置 VSCode 级别编辑器，开发体验丝滑。
实时运行与调试：边写代码边预览效果，一键部署上线，智能错误检测自动分析并修复。🚀
便捷部署：一键部署到 Netlify，Cloudflare 也即将支持，全程无脑操作。📤
第三方工具集成：支持 Supabase 等流行工具，轻松连接数据库。🔗
优势
无需本地环境：所有开发都在浏览器里搞定，开发门槛低。💸
快速启动与分享：环境秒启动，一键分享给小伙伴，团队协作超方便。👥
跨平台一致性：无论 Windows、macOS 还是 Linux，开发体验一致。🌐
展开
评论
点赞
最近发现一款对工程师友好的设计工具Recraft，实测能快速解决UI配图、文档示意图等需求，分享几个实用功能点
【核心功能实测】
1️⃣ 低门槛AI出图
输入英文提示词（如"minimalist app icon blue gradient"）可直接生成可用素材
上传线框图能自动转矢量SVG（实测代码嵌入无锯齿）
支持局部重绘修改细节，适合调整UI组件颜色
2️⃣ 工程师刚需功能
✔️ 位图转矢量精度很高（做LOGO时实测放大20倍无失真）
✔️ 团队协作支持实时标注（比在Figma里传图更轻量）
✔️ 基于项目无限画布出图
3️⃣ 实用进阶技巧
Frame: 可以把多个图片放在一个图层生成新图
Mockup: 生成一个遮罩层图片，方便叠加其它图片
🛠️我的使用场景
快速生成技术博客封面图（写实摄影风格+自定义尺寸）
将产品草图转矢量图给前端同事
客观总结优势
生成速度可以，免费用户一天50次使用
矢量生成质量确实优于Stable Diffusion
偏向于项目工程设计
【核心功能实测】1️⃣ 低门槛AI出图
输入英文提示词（如"minimalist app icon blue gradient"）可直接生成可用素材
上传线框图能自动转矢量SVG（实测代码嵌入无锯齿）
支持局部重绘修改细节，适合调整UI组件颜色
2️⃣ 工程师刚需功能
✔️ 位图转矢量精度很高（做LOGO时实测放大20倍无失真）
✔️ 团队协作支持实时标注（比在Figma里传图更轻量）
✔️ 基于项目无限画布出图
3️⃣ 实用进阶技巧
Frame: 可以把多个图片放在一个图层生成新图
Mockup: 生成一个遮罩层图片，方便叠加其它图片
🛠️我的使用场景
快速生成技术博客封面图（写实摄影风格+自定义尺寸）
将产品草图转矢量图给前端同事
客观总结优势生成速度可以，免费用户一天50次使用
矢量生成质量确实优于Stable Diffusion
偏向于项目工程设计
展开
评论
点赞
手绘风白板神器，团队协作必备！✨
Excalidraw是一款开源的手写白板创作工具，可以便捷导出、无限创作。
功能亮点
开源免费：预算有限？不存在的！免费开源，个人团队都能用，省钱又省心！💸
跨平台使用：Windows、macOS、Linux 全支持，网页直接打开，随时随地开画，方便到爆！
极简操作：界面清爽，小白也能秒上手，团队效率直接起飞！🚀
手绘风格：独特手绘质感，流程图、原型设计都能搞定，作品颜值拉满！
无限画布：画布无限大，创意无限飞，想画多大画多大！🖼️
丰富图形：内置多种基础形状，还能自定义图片和文本，满足各种设计需求！🔶
便捷导出：支持 SVG、PNG 等多种格式，分享交互超轻松！📤
离线可用：PWA 技术加持，断网也能继续画，创作不中断！📶
使用方式📥
个人用户：直接访问 excalidraw.com，打开就能用！
VS Code可以搜索安装插件Excalidraw，新建文件后缀使用.excalidraw即可。
开发者：想集成到自己的项目？用 npm 或 yarn 安装 @excalidraw/excalidraw 即可。
✨Excalidraw是一款开源的手写白板创作工具，可以便捷导出、无限创作。
功能亮点
开源免费：预算有限？不存在的！免费开源，个人团队都能用，省钱又省心！💸
跨平台使用：Windows、macOS、Linux 全支持，网页直接打开，随时随地开画，方便到爆！
极简操作：界面清爽，小白也能秒上手，团队效率直接起飞！🚀
手绘风格：独特手绘质感，流程图、原型设计都能搞定，作品颜值拉满！
无限画布：画布无限大，创意无限飞，想画多大画多大！🖼️
丰富图形：内置多种基础形状，还能自定义图片和文本，满足各种设计需求！🔶
便捷导出：支持 SVG、PNG 等多种格式，分享交互超轻松！📤
离线可用：PWA 技术加持，断网也能继续画，创作不中断！📶
使用方式📥
个人用户：直接访问 excalidraw.com，打开就能用！
VS Code可以搜索安装插件Excalidraw，新建文件后缀使用.excalidraw即可。
开发者：想集成到自己的项目？用 npm 或 yarn 安装 @excalidraw/excalidraw 即可。
展开
2
3
Tauri：桌面开发的轻量级神器！🚀
主要特点✨
跨平台支持：Windows、macOS、Linux 全搞定！一套代码走天下，开发维护成本直接砍半！
Web 技术集成：HTML、CSS、JavaScript 无缝衔接，Web 生态随便用，开发效率直接起飞！🌐
轻量级：打包后只有几 MB，启动快如闪电，资源消耗低到离谱，性能炸裂！
安全性高：沙箱机制 + 代码签名，Rust 语言自带内存安全和类型安全，数据安全稳如老狗！🔒
支持扩展：插件系统 + 扩展机制，第三方库随便集成，功能定制超灵活！🧩
易用性好：命令行工具 + 开发工具包，新手也能快速上手，文档示例超丰富！📚
核心组件和工作原理🧠
Core：Rust 写的核心库，负责窗口管理、系统集成等底层操作，文件 I/O、进程管理、安全管理全搞定！
WebView：系统原生 WebView 渲染，不同平台效果一致，macOS 用 WKWebView，Windows 用 Edge WebView，稳！
API：JavaScript API 实现前端与 Rust 后端通信，IPC 机制确保性能和安全性，全局事件 + 自定义协议，丝滑！
开发流程📝
环境设置：安装 Rust 和 Node.js，再装 Tauri CLI 工具，开发环境秒建！
创建项目：Tauri CLI 一键创建新项目，Rust 源代码 + 前端源代码目录全搞定！
开发：前端开发 Web 应用，Rust 写后端逻辑，npm 或 yarn 启动开发服务器，实时调试超方便！
构建和打包：Tauri 构建工具一键打包，.app、.dmg、.deb、.rpm、.exe 全支持，发布版本轻松搞定！
应用场景🎯
小型工具类应用：文本编辑器、代码格式化工具、文件管理工具，启动快、体验流畅，效率直接拉满！
高安全性应用：密码管理器、加密文件存储工具，数据安全和隐私保护稳如老狗，放心用！
跨平台应用：Windows、macOS、Linux 全支持，一套代码搞定多平台，用户体验一致，开发维护成本低到离谱！
局限性⚠️
学习成本：Rust + Web 技术结合，新手需要一定学习成本，但上手后真香！
可维护性挑战：Tauri 还在快速发展，API 可能变动，长期维护需谨慎，但未来可期！
主要特点✨
跨平台支持：Windows、macOS、Linux 全搞定！一套代码走天下，开发维护成本直接砍半！
Web 技术集成：HTML、CSS、JavaScript 无缝衔接，Web 生态随便用，开发效率直接起飞！🌐
轻量级：打包后只有几 MB，启动快如闪电，资源消耗低到离谱，性能炸裂！
安全性高：沙箱机制 + 代码签名，Rust 语言自带内存安全和类型安全，数据安全稳如老狗！🔒
支持扩展：插件系统 + 扩展机制，第三方库随便集成，功能定制超灵活！🧩
易用性好：命令行工具 + 开发工具包，新手也能快速上手，文档示例超丰富！📚
核心组件和工作原理🧠
Core：Rust 写的核心库，负责窗口管理、系统集成等底层操作，文件 I/O、进程管理、安全管理全搞定！
WebView：系统原生 WebView 渲染，不同平台效果一致，macOS 用 WKWebView，Windows 用 Edge WebView，稳！
API：JavaScript API 实现前端与 Rust 后端通信，IPC 机制确保性能和安全性，全局事件 + 自定义协议，丝滑！
开发流程📝
环境设置：安装 Rust 和 Node.js，再装 Tauri CLI 工具，开发环境秒建！
创建项目：Tauri CLI 一键创建新项目，Rust 源代码 + 前端源代码目录全搞定！
开发：前端开发 Web 应用，Rust 写后端逻辑，npm 或 yarn 启动开发服务器，实时调试超方便！
构建和打包：Tauri 构建工具一键打包，.app、.dmg、.deb、.rpm、.exe 全支持，发布版本轻松搞定！
应用场景🎯
小型工具类应用：文本编辑器、代码格式化工具、文件管理工具，启动快、体验流畅，效率直接拉满！
高安全性应用：密码管理器、加密文件存储工具，数据安全和隐私保护稳如老狗，放心用！
跨平台应用：Windows、macOS、Linux 全支持，一套代码搞定多平台，用户体验一致，开发维护成本低到离谱！
局限性⚠️
学习成本：Rust + Web 技术结合，新手需要一定学习成本，但上手后真香！
可维护性挑战：Tauri 还在快速发展，API 可能变动，长期维护需谨慎，但未来可期！
展开
评论
点赞
BrainBlend-AI/atomic-agents是一个致力于简化 AI Agent 开发的开源项目。
核心亮点✨
极简设计，灵活至上: Atomic Agents 基于输入-处理-输出（IPO）模型和原子性原则，主打简洁、灵活、开发者友好！模块化设计，轻量不臃肿，开发者体验和可维护性直接拉满！💡
Pydantic 加持，数据验证稳:依托 Instructor 框架，Pydantic 负责数据和模式验证，序列化也轻松搞定！Python 编写逻辑和控制流，传统开发最佳实践无缝衔接，灵活性和清晰度两不误！🚀
四大特性 :
模块性：小组件大组合，AI 应用轻松搭建！
可预测性：输入输出模式清晰，行为一致不翻车！
可扩展性：组件替换、新功能集成，系统稳如泰山！
可控性：从系统提示到工具集成，每个部分都能微调！
代理架构，一目了然🧩
系统提示：定义代理的行为和目的，AI 的灵魂所在！
输入模式：规定代理输入的结构和验证规则，数据入口稳如老狗！
输出模式：输出结构和验证规则，结果精准不跑偏！
内存：存储对话历史，上下文管理轻松搞定！
上下文提供者：动态注入上下文，系统提示更智能！
单仓库结构，组件清晰明了📂
核心库：atomic-agents，框架的核心力量！
CLI 工具：atomic-assembler，命令行操作超方便！
示例项目：atomic-examples，学习参考不迷路！
工具集合：atomic-forge，扩展功能轻松集成！
动态上下文增强，智能升级🚀
Context Providers：继承 SystemPromptContextProviderBase，实现 get_info() 方法，动态上下文轻松注入！
代理链接：输入输出模式对齐，AI 应用链接更简单，适应性和易维护性双提升！
多 API 支持，灵活适配🌐
Instructor 依赖：支持 OpenAI、Ollama、Groq、Mistral、Cohere、Anthropic、Gemini 等 API，灵活切换不卡壳！
#AtomicAgents #AI框架 #极简主义 #开发者友好 #技术分享
核心亮点✨
极简设计，灵活至上: Atomic Agents 基于输入-处理-输出（IPO）模型和原子性原则，主打简洁、灵活、开发者友好！模块化设计，轻量不臃肿，开发者体验和可维护性直接拉满！💡
Pydantic 加持，数据验证稳:依托 Instructor 框架，Pydantic 负责数据和模式验证，序列化也轻松搞定！Python 编写逻辑和控制流，传统开发最佳实践无缝衔接，灵活性和清晰度两不误！🚀
四大特性 :
模块性：小组件大组合，AI 应用轻松搭建！
可预测性：输入输出模式清晰，行为一致不翻车！
可扩展性：组件替换、新功能集成，系统稳如泰山！
可控性：从系统提示到工具集成，每个部分都能微调！
代理架构，一目了然🧩
系统提示：定义代理的行为和目的，AI 的灵魂所在！
输入模式：规定代理输入的结构和验证规则，数据入口稳如老狗！
输出模式：输出结构和验证规则，结果精准不跑偏！
内存：存储对话历史，上下文管理轻松搞定！
上下文提供者：动态注入上下文，系统提示更智能！
单仓库结构，组件清晰明了📂
核心库：atomic-agents，框架的核心力量！
CLI 工具：atomic-assembler，命令行操作超方便！
示例项目：atomic-examples，学习参考不迷路！
工具集合：atomic-forge，扩展功能轻松集成！
动态上下文增强，智能升级🚀
Context Providers：继承 SystemPromptContextProviderBase，实现 get_info() 方法，动态上下文轻松注入！
代理链接：输入输出模式对齐，AI 应用链接更简单，适应性和易维护性双提升！
多 API 支持，灵活适配🌐
Instructor 依赖：支持 OpenAI、Ollama、Groq、Mistral、Cohere、Anthropic、Gemini 等 API，灵活切换不卡壳！
#AtomicAgents #AI框架 #极简主义 #开发者友好 #技术分享
展开
评论
点赞
七种RAG架构cheat sheet！
RAG 即检索增强生成（Retrieval - Augmented Generation ），是一种结合检索技术和生成模型的人工智能方法。
RAG 分为两个阶段：索引阶段 和 查询阶段，每个阶段都有超多硬核技术加持！💡
索引阶段 📂
Embedding model：嵌入模型，把数据变成低维向量，计算机秒懂！
Generative model：生成模型，文本、图像随便生成，创意无限！
Reranker model：重排序模型，检索结果重新排，相关性拉满！
Vector database：向量数据库，存储向量数据，检索快到飞起！
Prompt template：提示模板，指导模型生成特定格式，输出超精准！
查询阶段
Multimodal embedding model：多模态嵌入模型，图像、文本全搞定，统一嵌入表示！
Multimodal generative model：多模态生成模型，多种数据结合生成，输出超丰富！
LLM Graph Generator：大语言模型图生成器，生成图结构数据，复杂关系轻松搞定！
Graph database：图数据库，存储图结构数据，图查询操作超高效！
AI agent：AI 代理，代表用户执行任务，决策交互超智能！
Weaviate 的 7 种 RAG 架构 🧩
朴素 RAG（Naive RAG）：简单直接，基础场景必备！
检索与重新排序 RAG（Retrieve-and-rerank）：检索后重排序，精度拉满！
混合 RAG（Hybrid RAG）：向量+关键词检索，信息覆盖率超高！
多模态 RAG（Multimodal RAG）：文本、图像、音频全搞定，复杂查询不在话下！
图 RAG（Graph RAG）：知识图谱加持，复杂关系轻松分析！
智能代理型 RAG（Agentic RAG）：动态代理实时调整，多任务处理神器！
多代理 RAG（Multi-Agent RAG）：多个 AI 代理协作，复杂任务轻松搞定！
#RAG #AI技术 #检索增强生成 #多模态 #知识图谱 #智能代理
RAG 即检索增强生成（Retrieval - Augmented Generation ），是一种结合检索技术和生成模型的人工智能方法。
RAG 分为两个阶段：索引阶段 和 查询阶段，每个阶段都有超多硬核技术加持！💡
索引阶段 📂
Embedding model：嵌入模型，把数据变成低维向量，计算机秒懂！
Generative model：生成模型，文本、图像随便生成，创意无限！
Reranker model：重排序模型，检索结果重新排，相关性拉满！
Vector database：向量数据库，存储向量数据，检索快到飞起！
Prompt template：提示模板，指导模型生成特定格式，输出超精准！
查询阶段
Multimodal embedding model：多模态嵌入模型，图像、文本全搞定，统一嵌入表示！
Multimodal generative model：多模态生成模型，多种数据结合生成，输出超丰富！
LLM Graph Generator：大语言模型图生成器，生成图结构数据，复杂关系轻松搞定！
Graph database：图数据库，存储图结构数据，图查询操作超高效！
AI agent：AI 代理，代表用户执行任务，决策交互超智能！
Weaviate 的 7 种 RAG 架构 🧩
朴素 RAG（Naive RAG）：简单直接，基础场景必备！
检索与重新排序 RAG（Retrieve-and-rerank）：检索后重排序，精度拉满！
混合 RAG（Hybrid RAG）：向量+关键词检索，信息覆盖率超高！
多模态 RAG（Multimodal RAG）：文本、图像、音频全搞定，复杂查询不在话下！
图 RAG（Graph RAG）：知识图谱加持，复杂关系轻松分析！
智能代理型 RAG（Agentic RAG）：动态代理实时调整，多任务处理神器！
多代理 RAG（Multi-Agent RAG）：多个 AI 代理协作，复杂任务轻松搞定！
#RAG #AI技术 #检索增强生成 #多模态 #知识图谱 #智能代理
展开
评论
点赞
教你高效构建 Agent！（3）
什么时候用 Agents？ 🚦
适用于难以或无法预测所需步骤、不能硬编码固定路径的开放式问题。LLM 可能需进行多轮操作，且需对其决策有一定信任度。Agents 的自主性意味着更高成本和潜在错误复合的可能，建议在沙盒环境中进行广泛测试并设置适当保障措施。
Agents 的崛起 🚀
随着 LLM 在理解复杂输入、推理规划、可靠使用工具和从错误中恢复等关键能力的成熟，Agents 在生产中逐渐出现。它们始于人类用户的命令或互动讨论，明确任务后独立规划和操作，可能返回人类获取更多信息或判断。执行中需从环境获取评估进展，可在检查点或遇到阻碍时暂停以获取人类反馈。
总结 📝
在 LLM 领域取得成功并非构建最复杂的系统，而是构建适合需求的系统。从简单提示开始，通过全面评估优化，仅在简单方案不足时添加多步骤 agentic 系统。实现 Agents 时，遵循三个核心原则：保持设计简单性、明确展示规划步骤以提高透明度、通过完善工具文档和测试精心打造 agent-computer 接口（ACI）。框架可帮助快速入门，但进入生产阶段时可减少抽象层并使用基本组件构建。遵循这些原则可创建强大、可靠、可维护且受用户信任的 Agents。
#Anthropic #Agent #LLM #AI技术 #技术分享
什么时候用 Agents？ 🚦
适用于难以或无法预测所需步骤、不能硬编码固定路径的开放式问题。LLM 可能需进行多轮操作，且需对其决策有一定信任度。Agents 的自主性意味着更高成本和潜在错误复合的可能，建议在沙盒环境中进行广泛测试并设置适当保障措施。
Agents 的崛起 🚀
随着 LLM 在理解复杂输入、推理规划、可靠使用工具和从错误中恢复等关键能力的成熟，Agents 在生产中逐渐出现。它们始于人类用户的命令或互动讨论，明确任务后独立规划和操作，可能返回人类获取更多信息或判断。执行中需从环境获取评估进展，可在检查点或遇到阻碍时暂停以获取人类反馈。
总结 📝
在 LLM 领域取得成功并非构建最复杂的系统，而是构建适合需求的系统。从简单提示开始，通过全面评估优化，仅在简单方案不足时添加多步骤 agentic 系统。实现 Agents 时，遵循三个核心原则：保持设计简单性、明确展示规划步骤以提高透明度、通过完善工具文档和测试精心打造 agent-computer 接口（ACI）。框架可帮助快速入门，但进入生产阶段时可减少抽象层并使用基本组件构建。遵循这些原则可创建强大、可靠、可维护且受用户信任的 Agents。
#Anthropic #Agent #LLM #AI技术 #技术分享
展开
评论
1
教你高效构建 Agent！（2）
常见的Workflows 🧩
Building block：增强型 LLM agentic 系统的基本构建块是通过检索、工具和记忆等增强功能的 LLM。当前模型已经能主动使用这些功能，比如生成搜索查询、选择工具和确定保留信息。实施时要注意根据特定用例定制这些功能，并为 LLM 提供简单且文档完善的接口。
Workflow：提示链（Prompt chaining） 将任务分解为一系列步骤，每个 LLM 调用处理前一个调用的输出。适用于任务可轻松分解为固定子任务的情况，比如生成营销文案后翻译、写文档大纲后据此写文档。
Workflow：路由（Routing） 对输入分类并导向专门后续任务，适用于复杂任务。比如将不同类型客户服务查询导向不同下游流程和工具，或根据问题难度路由到不同模型以优化成本和速度。
Workflow：并行化（Parallelization） LLM 有时可并行处理任务并聚合输出，适用于子任务可并行执行或需多次推理以获得更高置信度结果的情况。比如一个模型处理用户查询，另一个筛选不适当内容。
Workflow：Orchestrator-workers（编排器-工作者） 中央 LLM 动态分解任务，委托给 worker LLM 并综合其结果。适用于无法预测所需子任务的复杂任务。
Workflow：Evaluator-optimizer（评估器-优化器） 一个 LLM 生成响应，另一个提供评估和反馈循环。适用于有明确评估标准且迭代改进有可衡量价值的情况，比如文学翻译、复杂搜索任务等。
常见的Workflows 🧩
Building block：增强型 LLM agentic 系统的基本构建块是通过检索、工具和记忆等增强功能的 LLM。当前模型已经能主动使用这些功能，比如生成搜索查询、选择工具和确定保留信息。实施时要注意根据特定用例定制这些功能，并为 LLM 提供简单且文档完善的接口。
Workflow：提示链（Prompt chaining） 将任务分解为一系列步骤，每个 LLM 调用处理前一个调用的输出。适用于任务可轻松分解为固定子任务的情况，比如生成营销文案后翻译、写文档大纲后据此写文档。
Workflow：路由（Routing） 对输入分类并导向专门后续任务，适用于复杂任务。比如将不同类型客户服务查询导向不同下游流程和工具，或根据问题难度路由到不同模型以优化成本和速度。
Workflow：并行化（Parallelization） LLM 有时可并行处理任务并聚合输出，适用于子任务可并行执行或需多次推理以获得更高置信度结果的情况。比如一个模型处理用户查询，另一个筛选不适当内容。
Workflow：Orchestrator-workers（编排器-工作者） 中央 LLM 动态分解任务，委托给 worker LLM 并综合其结果。适用于无法预测所需子任务的复杂任务。
Workflow：Evaluator-optimizer（评估器-优化器） 一个 LLM 生成响应，另一个提供评估和反馈循环。适用于有明确评估标准且迭代改进有可衡量价值的情况，比如文学翻译、复杂搜索任务等。
展开
评论
点赞
“Agent”这个词听起来很高大上，但其实它有很多种定义方式！有些客户觉得它是完全自主的系统，能独立运行、使用各种工具完成复杂任务；而另一些则认为它是遵循预定义工作流的规范实现。Anthropic 把这些都归类为 agentic 系统，并在架构上区分了 Workflows（工作流） 和 Agents（代理）：
Workflows：通过预定义代码路径编排 LLM 和工具的系统。
Agents：LLM 动态指导自身流程和工具使用，控制完成任务方式的系统。
什么时候用 Agent？什么时候用Workflows？🚦
在构建 LLM 应用时，建议从最简单的解决方案开始，不要一上来就搞复杂！很多时候，你甚至不需要构建 agentic 系统。Agentic 系统虽然能提升任务性能，但通常会牺牲延迟和成本。如果你需要更高的复杂性，Workflows 可以提供可预测性和一致性，而 Agents 则更适合需要大规模灵活性和模型驱动决策的场景。对于大多数应用，优化单个 LLM 调用通常就足够了！
框架怎么用？什么时候用？🛠️
市面上有很多框架可以让 agentic 系统更容易实现，比如 LangChain 的 LangGraph、Amazon Bedrock 的 AI Agent 框架、Rivet（拖放式 GUI LLM 工作流构建器）和 Vellum（用于构建和测试复杂工作流的 GUI 工具）等。这些框架虽然简化了任务，但也会增加抽象层，让调试变得更难。建议开发者先直接使用 LLM API，很多模式几行代码就能搞定！如果要用框架，一定要确保了解底层代码哦～
Workflows：通过预定义代码路径编排 LLM 和工具的系统。
Agents：LLM 动态指导自身流程和工具使用，控制完成任务方式的系统。
什么时候用 Agent？什么时候用Workflows？🚦
在构建 LLM 应用时，建议从最简单的解决方案开始，不要一上来就搞复杂！很多时候，你甚至不需要构建 agentic 系统。Agentic 系统虽然能提升任务性能，但通常会牺牲延迟和成本。如果你需要更高的复杂性，Workflows 可以提供可预测性和一致性，而 Agents 则更适合需要大规模灵活性和模型驱动决策的场景。对于大多数应用，优化单个 LLM 调用通常就足够了！
框架怎么用？什么时候用？🛠️
市面上有很多框架可以让 agentic 系统更容易实现，比如 LangChain 的 LangGraph、Amazon Bedrock 的 AI Agent 框架、Rivet（拖放式 GUI LLM 工作流构建器）和 Vellum（用于构建和测试复杂工作流的 GUI 工具）等。这些框架虽然简化了任务，但也会增加抽象层，让调试变得更难。建议开发者先直接使用 LLM API，很多模式几行代码就能搞定！如果要用框架，一定要确保了解底层代码哦～
展开
1
点赞