- 博客(6)
- 收藏
- 关注
RSS订阅原创 全类型 Agent 开发范式解析与工程化落地指南
本文系统梳理了Agent开发的四类核心范式（对话型、工具调用型、决策型、多Agent协作型），结合Vibe Coding轻量化开发理念，提出了基于LangGraph技术栈的工程化实践方案。报告指出，Agent开发范式是顶层业务流程架构，区别于内嵌的推理增强技术（如CoT、提示词工程）。LangGraph凭借图结构编排、有状态持久化、细粒度干预等特性，成为适配Vibe Coding理念的首选技术栈，支持从原型到生产的全流程开发。报告还提供了范式选型的关键依据和技术实现路径，为开发者提供标准化流程和优化建议。
2026-07-29 20:32:22
251
原创 Coding Agent 工作流设计（Claude Code × Codex 融合版）
Coding Agent 工作流设计摘要 本文提出了一套融合Claude Code和Codex优点的Coding Agent系统架构，核心采用"Harness负责安全与工具，Model负责决策，Loop实现闭环"的设计原则。系统分为四层架构：用户接口层、会话协调层、核心决策层和工具能力层。关键创新点是统一Agent Loop状态机设计，包含上下文组装、模型推理、策略检查、工具执行等核心环节，并支持中断恢复机制。工作流采用六阶段任务生命周期管理（定向、探索、计划、执行、验证、交付）.
2026-07-28 22:16:30
868
1
原创 LangChain 与 LangGraph 深度解析报告：核心定位、架构差异、场景选型与生态关系
LangChain 与 LangGraph 并非替代关系，而是由 LangChain Inc. 推出的两套面向不同复杂度 LLM 应用的互补开源框架，共同组成从轻量化原型到复杂生产级智能体的完整技术栈：LangChain 是模块化组件工具箱，将大模型开发常用的模型调用、提示词模板、向量检索、工具封装等能力标准化，通过 LCEL 链式编排快速搭建线性流程应用，大幅降低大模型开发入门门槛。LangGraph 是低层状态图编排引擎，专门解决 LangChain 在复杂场景下无法支撑的多分支、循环迭
2026-07-26 18:29:52
788
原创 Ollama + LLaMA 本地化部署、使用、调优完整文档
本文是一份Ollama工具的工程实践手册，主要介绍如何利用Ollama在本地运行LLaMA系列大语言模型。内容涵盖： 基础操作：模型拉取、运行、管理和删除命令 量化配置：详细解析GGUF量化格式，提供LLaMA 3.1 8B模型不同量化档位的显存占用参考表 模型定制：通过Modelfile定制系统提示词、上下文窗口等参数 API对接：OpenAI兼容API调用方法 部署方案：Docker部署及GPU配置 进阶技巧：包括自定义GGUF导入、显存优化参数、上下文窗口扩展等 QLoRA说明等
2026-07-25 17:56:50
272
原创 Transformer 架构 & FFN 深度原理详解文档
本文详细解析了Transformer架构及其核心组件，重点介绍了前馈网络（FFN）的底层原理和计算过程。主要内容包括：1）Transformer基础架构，包括词嵌入层、RoPE位置编码和Pre-LN/Post-LN归一化；2）多头自注意力机制（MHA）及其优化版本分组查询注意力（GQA）；3）FFN的SwiGLU变体结构，包含门控机制和三段式矩阵运算；4）关键参数细节和量化影响；5）相关的KV缓存、量化等衍生知识点。文档提供了逐模块计算流程和公式推导，适合大模型微调与推理优化的学习参考。
2026-07-24 20:10:32
328
原创 从零读懂 Transformer：结构、注意力、位置编码与推理优化
Transformer是Google在2017年提出的革命性架构，核心创新在于用自注意力机制替代传统的RNN/CNN，实现并行化的全局建模。其基本结构分为Encoder和Decoder两部分：Encoder通过多层自注意力块双向理解输入序列，Decoder则通过掩码自注意力和交叉注意力实现自回归生成。关键组件包括词嵌入与位置编码的结合、缩放点积注意力机制（QKV模型）、残差连接和层归一化。位置编码方面，原始Transformer使用正弦函数，而现代模型多采用RoPE等更先进的相对位置编码。
2026-07-23 14:32:23
790
1
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