- 博客(16)
- 收藏
- 关注
RSS订阅原创 NestJS 从零到一：一篇带你彻底搞懂企业级 Node.js 后端开发
Next.js 是"前端为主、后端为辅"的全栈框架，NestJS 是"纯粹专业"的后端框架。如果项目是官网、管理后台等需要 SEO 的页面，选 Next.js。如果项目是给 App 提供数据接口的纯后端服务，选 NestJS。两者也可以结合使用——Next.js 做前端页面，NestJS 做独立的后端 API 服务。NestJS 通过模块化装饰器模式和依赖注入三大核心设计，为 Node.js 后端开发带来了企业级的规范性和可维护性。：NestJS 是纯后端框架，Next.js 是全栈框架（主攻前端）
2026-08-19 19:08:24
469
1
原创 从零手写一个简单的AI编程助手Agent：深入理解ReAct工作流
/ 1. 写入文件工具return `✅ 文件 ${path} 写入成功`;},description: "将内容写入指定路径的文件",path: z.string().describe("文件路径"),content: z.string().describe("要写入的内容")})// 2. 读取文件工具},description: "读取指定路径的文件内容",path: z.string().describe("文件路径")})// 3. 执行命令工具。
2026-08-18 19:05:40
459
原创 前端HTTP请求完全指南：从基础到LLM接口调用实战
基础方法：XMLHttpRequest和Fetch API编程模式：前后端分离、异步编程、B/S架构网络基础：IP、端口、域名、API端点实战应用：LLM接口调用（OpenAI SDK + Fetch）数据处理：JSON转换、错误处理性能优化：缓存、防抖节流掌握这些知识，你将能够：灵活运用各种HTTP请求方式高效调用LLM等第三方API构建健壮的前端应用优化网络请求性能。
2026-08-18 19:04:01
303
原创 Coze深度解析：从零代码Agent到FDE实战，字节最强AI开发平台全攻略
FDE（Full-stack Development Engineer on AI，AI 全栈开发工程师）不是一个新职位，而是用 AI 工具落地业务结果的角色。Coze 这类平台的出现，让 AI 开发从“少数人的特权”变成了“每个人的工具”。💡 行业趋势：越来越多的公司把 Coze 作为“AI 生产力工具”，甚至专门设立了 FDE（AI 解决方案工程师）岗位。Coze（扣子） AI Agent / 应用开发平台 开发者、产品经理、企业。
2026-08-17 20:07:26
177
原创 零代码搭建智能课程客服机器人：Coze Agent + 知识库实战指南
今天，我们就用Coze（扣子）这个零代码平台，手把手搭建一个课程客服智能体，并给它装上私有知识库，让它从“泛泛而谈”变成“懂你的专家”。最后想说：这个时代，不是AI取代人，而是会用AI的人取代不会用的人。而会用AI的第一步，就是给它装上“属于你的知识库”。这两年大模型火得一塌糊涂，但真正让企业兴奋的不是“会聊天”，而是“能干正事”。这就是AI智能体（Agent）的威力——它不只是大脑（大模型），还有手和脚（执行任务）。Coze是字节跳动推出的AI智能体开发平台，最大的特点就是0代码、可视化、一键发布。
2026-08-17 19:39:40
491
原创 React Router 完全指南：从 HashRouter 到 BrowserRouter
HashRouter：简单、无需服务器配置，但 URL 不美观BrowserRouter：URL 美观、SEO 友好，需要服务器支持核心特性路由懒加载提升性能动态路由处理参数嵌套路由构建复杂布局路由鉴权控制访问权限最佳实践集中管理路由配置使用懒加载优化首屏实现完整的权限控制统一的错误页面处理掌握这些概念和技巧，你就能构建出专业、高性能的单页应用了！
2026-08-07 14:56:16
220
原创 React Hooks 完全指南：从 useState 到 Web Worker
自定义 Hook 允许你将组件逻辑提取到可重用的函数中。useState：管理组件状态，驱动 UI 更新useRef：持久化存储，操作 DOM，不触发渲染useEffect：处理副作用，管理生命周期自定义 Hooks：复用逻辑，保持代码整洁结合 Web Worker 处理复杂计算，可以构建高性能、响应式的 React 应用。合理使用这些工具，能显著提升应用的用户体验和开发效率。
2026-08-07 14:47:36
282
原创 《#号的前世今生：一段关于前端路由的“不刷新“往事》
// 根据当前URL渲染不同内容case '/':app.innerHTML = '<h1>首页</h1>';break;app.innerHTML = '<h1>关于我们</h1>';break;
2026-08-05 20:32:11
428
原创 如何拿捏“对象”
在 JavaScript 的世界里，流传着这样一句话：“万物皆对象”。初听时，你是不是也一头雾水？难道我写的代码里，到处都是我的“对象”？那岂不是……咳咳，打住！今天，我们就来正经聊聊——如何一步一步 “拿捏” JavaScript 里的对象（Object）。不吹不黑，看完这篇，你不仅能轻松创建“对象”，还能随心所欲地操控它。而且，我们会结合当下最火的AI 全栈开发，看看对象在实际 AI 项目中是如何大显身手的。夯实基础{}创建对象、访问属性、增删改查、for...in遍历。理解原型。
2026-07-29 19:28:14
574
原创 从零开始：Node.js接入Milvus向量数据库实战（AI日记本场景）
Milvus= 专门存向量+找语义相似的数据库RAG流程：文档→向量→存Milvus→查询向量化→检索→增强Prompt→LLM回答双存储架构：MySQL存结构化数据，Milvus存向量，各司其职关键三步：创建集合→创建索引→加载到内存（缺一不可）
2026-07-29 19:12:00
221
原创 我们都误会GPT-5.6了。OpenAI做的不是更强，而是更“省”
GPT-5.6发布了。社交媒体上照例热闹非凡：跑分涨了多少、代码能力有没有超过Claude、Gemini现在排第几、谁又是“最强模型”……但如果AI能自己拆任务、调用工具、整理中间结果、检查矛盾——你就从“操作者”变成了“审核者”GPT-5.6追求的，不是“单项分数更高”，而是让整个流程更自动化、返工更少、成本可核算。不同的模型层级，以“虚拟员工”的方式协作，而你——是那个分配任务、审核结果、把控方向的人。Terra 均衡能力 日常工作、普通代码、文档初稿、数据整理。
2026-07-24 22:48:48
222
原创 Benchmark：大模型的“高考”，你真的看懂了吗？
就像高考一样，所有考生（大模型）做同一套卷子，最后给出分数，方便我们比较谁更“聪明”。今天我们就来聊聊大模型的“高考”——Benchmark（基准测试）。举个例子：不是问“光速是多少”，而是给一个复杂的光学实验场景，问“如果改变某个参数，结果会怎么变”。包含57个领域的选择题，从初中历史到大学医学，横跨人文、社科、理工、医学等各个领域。比如：A模型在MMLU上第一，B模型在HumanEval上第一，C模型在数学上第一。HumanEval：164道编程题，从简单到复杂，要求模型写的代码能真正跑通。
2026-07-24 22:43:37
436
原创 Workflow vs Agent：AI 世界的流水线与探索者
这段代码描述的是一条清晰的"传送带"——数据从一端流入，经过预设的节点处理，从另一端流出结果。在整个过程中，Agent 走的路径可能和你预期的完全不同——它可能跳过你"以为"重要的步骤，探索出你没想到的方案。在这些场景里，稳定性 > 创造性。Agent 更像一个经验丰富的司机——他知道目的地，但可以根据路况随时改道，遇到修路就绕行，甚至在中途发现更有趣的景点时调整最终目标。│ │节点1 │→ │节点2 │→ │节点3 │→ │节点4 │ │。
2026-07-22 16:52:17
407
原创 RAG实战：从零搭建语义搜索引擎
RAGRetrieval（检索） +Augmented（增强） +Generation（生成）听起来很高端？其实很简单：RAG = 先查资料，再回答问题RAG = 检索（找资料） + 增强（给AI看） + 生成（AI回答）
2026-07-22 11:57:31
222
原创 大模型“随机说话“的秘密：Temperature、Top-K / LangChain实战指南
幻觉（Hallucination）指模型编造不存在的事实。例如：问："2024年奥运会中国金牌数是多少？模型回答："中国获得了48枚金牌"（实际是40枚，2024年巴黎奥运会）大模型"随机说话"的本质↓概率分布 + 抽样机制↓控制参数三件套├── Temperature（胆量）├── Top-K（候选人数量）└── Top-P（动态候选人池）↓组合策略├── 低T+大K = 准确严谨└── 高T+小K = 靠谱的创意↓LangChain落地├── 定义多温度LLM实例。
2026-07-21 20:39:52
251
原创 从零到一：打造属于自己的AI Agent，这一篇就够了
NestJS（后端框架） + LangChain（单 Agent 能力：LLM 调用、工具定义、记忆管理、RAG） + LangGraph（多 Agent 编排：工作流、条件分支、人工审批） + MCP / RAG / Skills（扩展能力层）当 LLM 觉得需要读文件时，它不会继续输出文字，而是返回一个 tool_call——告诉后端"去执行 read_file，参数是 xxx"。比如"代码审查""部署上线""生成周报"，每个都是一段固定的工作流模板，Agent 遇到对应任务时直接加载执行。
2026-07-21 14:40:54
402
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人