Agent、Workflow、RAG 还是 Skill?万字拆解谁才是AI落地的终极解药

RAG、Workflow、Agent与Skill不是四选一:AI应用落地的分层架构与选型逻辑 大模型进入企业业务系统后,单点能力再强也撑不住真实场景的复杂性。知识进不去、流程绕不开人、系统孤岛化,是AI落地最常见的三个信号。要让系统真正“会做事”,需要把能力拆成不同层次来协同:RAG负责外挂记忆,解决模型不知道私有知识的问题;Workflow固化确定性流程,保证稳定可控;Skill封装原子能力和系统接口,让上层编排真正长出手脚;Agent则在规则模糊、需要临场判断的复杂任务中做动态规划,并用护栏控制风险。它们不是互斥的技术路线,而是知识、执行、接口与决策四个层面的协同架构。从实践视角看,拆解每个概念 阅读详情

Part 4|架构复盘:一个内容产品的结构性失误

📌 本章要点

· 核心失误:拿着屠龙刀(优化能力)砍柴,却用木棍(创造能力)屠龙
· SFT陷阱:在注定演进的基座上雕花,新模型发布后投入归零
· 隐性救赎:用慢变量(Workflow/RAG)对抗快变量(Model),获得架构韧性
· 真正的护城河是承载真实世界复杂性的系统,而非模型有多聪明

为了更深入地理解这套理论,我复盘一个曾经操盘过的 AI 内容产品。这个产品旨在辅助创作者从 0 到 1 产出高质量文章。

站在今天的系统工程视角看,该产品早期的困境,并非单一的决策失误,而是典型的技术周期与产品愿景的错配。我们试图在基础设施尚未成熟时(2023年),去构建一个过于理想化的智能系统。

今天的复盘不包含战略层面的反思(当时选择的用户群、产品价值承诺也存在重大失误),本文重点讨论产品架构设计层面的部分。

🎞️ 第一幕:能力错配 —— 在错误的能力区间对赌

我们犯了一个早期产品常见的错误:无视模型物理特性,试图用短板攻克天险。

错误诊断:核心价值的误判

  • 当时的模型具备两大类能力:

    1. 创造力(0 到 1): 弱。就像一根脆弱的木棍,容易断裂(幻觉、逻辑混乱)。

    2. 优化力(1 到 100): 强。就像一把锋利的屠龙刀,削铁如泥(改写、总结、润色)。

  • 决策失误: 我们虽然开发了基于素材的「仿写/改写」功能,却将其视为边缘辅助;反而将极其依赖模型内功的「从0 到 1 自由创作」,定义为产品的核心主流程。

  • 实质:这是一种典型的架构重心战略误判。我们拿着屠龙刀(1-100 的优化能力)去砍柴(做边缘功能),却试图用木棍(0-1 的创造能力)去屠龙(做核心主流程)。

  • 后果: 我们强行要求模型承担它扛不住的创造压力,结果无论如何微调 Prompt,产出始终徘徊在60分上下不可用状态。而真正能打的优化能力,却被埋没在工具箱的角落。

image.png

图示:能力错配对比图

架构教训:产品架构的首要职责是扬长避短。如果模型本质上是一个金牌编辑(擅长润色),就不该在架构设计上强行逼它去当一个天才作家(负责原创)。

🎞️ 第二幕:SFT 的陷阱 —— 资产泡沫化

为了弥补创造力的不足,我们采取了当时行业最主流的技术路线:垂直领域微调 (SFT)。我们和大多数 AI 创业团队一样,希望能通过微调建立壁垒。

错误诊断:战术上的勤奋,掩盖了战略上的代差

  • 雕花的艺术(形似): 我们收集了大量优质内容,试图通过 SFT 让模型学会高质量写作。在技术上,我们做到了形似,模型学会了 Emoji、三段式结构和网感文风。

  • 基座的局限(神散): 但皮囊的精致掩盖不了灵魂的空洞。由于当时的底座模型本身逻辑推理能力不足,SFT 只是让它学会了用最潮流的语气说废话。这就是典型的在屎上雕花。

  • 资产的泡沫(归零): 更致命的是,我们是在一个注定演进的基座上进行这些投入。当下一代更强的通用大模型发布时,我们辛苦积累的SFT 专用模型,其表现瞬间不如新基座的 Zero-shot 能力。这其实早有预兆,GPT-3.5 的出现就已然干倒一批基于 GPT-3 微调的 AI 应用公司。

image.png

图示:SFT资产泡沫化示意图

架构教训:永远不要试图用 SFT 去修补通用智能的缺陷,对于通用能力的不足,等待(Waiting)往往比微调(Tuning)更具性价比。

🎞️ 第三幕:隐性的救赎 —— 双轨制的防御性胜利

在激进的技术探索之外,出于产品经理的职业直觉,我们还保留了另一条务实的产品线。

当时的判断是:面对一个尚不稳定的概率性模型,普通用户无法靠对话框完成复杂的生产任务。为了兜底,我们坚持引入了厚重的 SaaS 业务流程。

没想到,正是这套用来防御的传统架构,最终成为了产品的救生艇。

1. 交互的防御:用 GUI 流程对抗不确定性

  • 设计逻辑: 我们没有采用当时最酷炫的单一大框对话模式,而是构建了一套全流程的 GUI 交互(选题-RAG检索-生成-配图-分发)。

  • 实质: 这是Workflow的显性化。我们用刚性的业务流程(SOP),去对冲了模型胡说八道的风险。当模型生成失控时,结构化的流程保证了用户体验没有崩盘。

2. 场景的防御:把「改写」作为基础配置

  • 设计逻辑: 我们保留并打磨了基于选题素材/用户指定材料的仿写/改写功能,并引入 RAG(知识库)来管理用户素材。

  • 实质: 事实证明,用户的高频痛点往往不是无中生有,而是借题发挥,这成为了对模型能力边界的有效补充。

深度解构:为什么防御反而成了核心?

现在回看,我们其实在过程中完成了一个关键转移:从模型能力产品到行业系统产品。

  • 价值锚点的转移:用户的价值感知从生成质量过渡到到流程完整性。用户觉得:虽然它写得不够完美,但这个流程帮我理清了思路,而且管理素材很方便。这类价值,不会便因为模型升级而消失。

  • 敏捷度的解耦:把模型短板变成了系统的一部分。模型只负责某一步的生成,而非全部承担最终的质量责任,这也大幅降低了产品对模型版本的敏感度。

  • 用慢变量对抗快变量:

    • 模型时间尺度: 3~6 个月(极速迭代,易被颠覆)。

    • 行业时间尺度: 3~5 年(相对稳定,SOP 不变)。

    • 我们构建的这套 Workflow,本质上是用一个慢变量(行业系统),去对抗一个快变量(模型迭代)。

慢变量对抗快变量架构图(中文版)

图示:慢变量对抗

总结:架构的韧性

这次复盘也呈现了我们在那个混沌时期双重下注的结果:

  • 进攻端(SFT): 我们紧跟当时的技术潮流,试图冲击创造力的上限,但遗憾地遭遇了基座模型代差的降维打击。

  • 防守端(Workflow): 我们坚守了产品的可用性底线,通过流程和知识库,稳住了用户的基本盘。

我并没有陪这个产品走到最后。但在我离开后,它维持着这种分裂但平衡的状态,并依然运营至今。

这也揭示了 AI 产品真正的护城河:

不纯粹依赖模型有多聪明,而是产品承载了多少真实世界的复杂性。正是因为我们把业务逻辑从模型中解耦出来,固化在 Workflow、RAG 中,这个产品才没有随着早期模型策略的失误而崩塌,而是获得了一个边跑边修的机会。


Part 5|重构蓝图:如果今天重来,我会怎么做

📌 本章要点

  • 定位升级:放弃全自动幻想,从内容创造者转型为内容放大器,以对抗平庸、责任与同质化三大陷阱。

  • 架构哲学:构建最小完备业务内核(Model + RAG + 官方 Skill + Workflow),确保可靠闭环。

  • 交互克制:拒绝全自动黑箱,建立Agent处理模糊意图 + Workflow 锁死执行边界的人机共驾模式。

  • 生态壁垒:通过 MCP 与自定义 Skill 开放接口,让用户沉淀的资产成为对抗模型快速迭代的终极护城河。

如果今天让我重新面对当年那个产品命题:辅助创作者产出高质量内容,我会怎么做?

虽已离开原团队近两年,不再有实际操盘的机会。

但也正是这段距离,让我能更冷静地审视:在技术红利与惨烈竞争并存的当下,一个真正有壁垒的内容智能产品,应该长成什么样子?

简单的套壳生成已无路可走。但也正是在这种压力下,我当年未能实现的个人工作台愿景,可能反而有了最坚实的落地土壤。

其核心架构:Agen + 工具集(Skill/Workflow)+ 知识库(RAG),早在2023年中就已成型(见下图),从运营工作台延伸至千行百业的个人工作台。它用刚性流程对抗模型不确定性,用开放生态沉淀用户资产。

虽然当时受限于模型能力不够强而未能完全落地,但这些早期的架构思考,为今天的架构推演提供了最坚实的起点。

图示1:运营工作台架构图

图示2:个人工作台架构图

立足当下,我不会再追求「更好的生成器」,而是利用当下技术红利,把它重构成一个:懂业务的智能参谋。

以下设计构思不涉及具体的业务,仅是一份基于血泪教训的架构推演。

我想,真正的实践,不仅是动手建造,更是把经验变成他人的路标。

推演开始👇
1. 定位重构:从创造者转向放大器 (Product Redefinition)

核心反思:模型越强,我们越要警惕全自动的诱惑。

这是此次重构的灵魂。即使在模型能力极强的今天,我依然坚定地认为:产品必须定位为内容放大器,而非内容创造者。

新形态定义:

  • Input: 用户的火种(一段录音、一篇喜欢的内容、一份草稿)。

  • Output: AI 的燎原(全平台的优质内容矩阵、多文体分发、风格化润色)。

这会是一个痛苦但很有必要的市场筛选。

如果做创造者,取悦想要一键生成、无上下文需求的低投入用户,就要面临大厂免费工具的降维打击和用户的极低忠诚度。

如果做放大器,服务的就是有较高投入时间、有一定的上下文和工作流资产的高锁定性用户。只有在这个领域,产品的壁垒才成立。

这意味着,产品需要对抗三个致命的陷阱:

🪤 陷阱一:平庸陷阱 —— AI生成的都是废话?

核心逻辑:AI 无法创造金子,但它可以帮你找到金子、打磨金子并量产金子。

如果定位为创造者(直接0到1),AI 只能产出平庸的废话。而作为放大器,就可以利用当下的技术红利,实现3个放大:

image.png

图示:三个放大器的工作原理

  • 决策放大(提升胜率)—— 帮你找对

    • 痛点: 很多时候,内容平庸不是因为写得差,而是因为选题本身就平庸。用户的灵感往往是随机的,不知道哪个选题能火。

    • 解法: 利用 RAG + 数据分析 充当情报雷达,分析全网爆款,在杂乱信息中放大最有价值的选题信号。

  • 纵向放大(提升品质)—— 帮你写好

    • 痛点: 很多专家拥有 100 分的洞察,但只有 60 分的表达(逻辑跳跃、口语化)。

    • 旧瓶颈(2023): 早期的模型往往会产生磨皮效应,在润色时把犀利的观点稀释成平庸的片汤话。

    • 新红利(Now): 现在的模型已经具备了高保真的重构能力。它能在完全保留你 100 分洞察(棱角、情绪、黑话)的前提下,完美地把口语草稿清洗、结构化为 80 分的专业表达。

  • 横向放大(提升声量)—— 帮你传开

    • 痛点: 好内容不应是孤品。一篇深度长文(1个80分),应该能转化为小红书笔记、推特金句、短视频脚本(N个80分)。

    • 旧瓶颈(2023): 早期的改写是机械切割。它只会机械地缩短字数、堆砌 Emoji,产出的内容充满AI 味,缺乏真正的平台原生感(Native Feel)。

    • 新红利(Now): 利用 Skill 引入不同平台的流量密码(如小红书的情绪钩子),实现一次生产,全域爆火。

🪤 陷阱二:责任陷阱 —— 出错了算谁的?

核心逻辑:重新划分执行与决策的边界,重新分配不确定性。

  • 痛点与悖论: 这是一个关于价值与责任的跷跷板,单纯替用户写(创造者),一旦出错就是产品的锅。单纯让用户自己写(工具),产品又显得价值单薄。

image.png

图示:责任分配的新契约

  • 解法: 将产品定位为放大器,建立一种新型的人机契约:

    • 产品承担 100% 的执行责任: 保证文笔流畅、格式精准、分发高效。

    • 产品分担 50% 的决策压力: 不替用户拍板,但提供数据支撑(如:基于历史数据,这个标题的点击率预测比那个高 20%)。

    • 归还 100% 的最终决策权: 最终选哪个,依然由用户按下确认键。

  • 价值控制: 产品不再是一个不可控的枪手,而是一套自带战术雷达的外骨骼机甲。雷达提供情报,机甲提供动力,但扣动扳机的,永远是人类指挥官。

🪤 陷阱三:同质化陷阱 —— 凭什么用户付费?

核心逻辑:构造产品的关键壁垒

  • 逻辑: 如果产品只是用来生成内容,竞争对手将是各种免费的大模型底座。它们模型迭代更快,产品将没有任何胜算。

  • 解法: 用户付费买单的理由,可以是买那套确定性的 SOP,而不是买那个人人都有的生成能力。产品本身,不试图创造正确性,而是收敛不确定性、放大有效信号、并对结果进行校验与兜底。

2. 架构重构:构建最小完备内核 (The Core Kernel)

核心洞察:架构设计的首要原则是关注点分离。为了支撑放大器定位,我们需要先把内核做实,再把生态做开。

在 Part 2 中,我们解剖了智能系统的六大理论组件。但在重构的起步阶段,我们需要区分系统内核与外部连接。 

我将 Agent 定义为交互模式,将 MCP 定义为外部协议(这两者将在后文详述)。剥离掉它们后,剩下的四个实体层,构成了直接承载业务逻辑的最小完备内核。 这是一个官方预置的、保证产品能跑通放大器闭环的刚性骨架。

image.png

图示:最小完备内核架构

第一层:核心动力层 (Model) —— 极简的无状态底座

  • 重构思路:彻底剥离模型层的记忆和业务属性,将其视为纯粹的文本推理引擎。在代码层面,它仅仅是一个标准化的 API 调用接口。

  • 预期价值: 这种热拔插设计意味着:当更高级的模型发布时,只需修改一行 API 配置,整个产品就能原地升级,而无需重训任何数据,也不会丢失任何用户资产。

第二层:知识与事实层 (RAG) —— 高频更新的私有素材库

  • 重构思路:  构建一个秒级更新的向量数据库,专门存储用户的过往爆文、收藏素材、品牌/内容调性文档、个性化知识素材等。

  • 预期价值:这解决了灵感时差问题。用户上一秒在浏览器插件里保存的素材,下一秒就能在写作中被精准引用。

第三层:能力执行层 (Skill) —— 经验的原子化封装

  • 重构思路: 将虚无缥缈的内容创作心法,翻译成确定性的能力,强制模型在特定环节调用。注意,本层级仅讨论系统自带的能力(如官方提供的风格保真器),用户自定义的扩展能力将在生态层详述。

  • 典型场景:

    • 风格保真器: 基于 RAG 读取用户历史语料库,提取个人化特征(高频词汇、情绪浓度等),在润色时强制模型保持这些特征,确保输出像你的内容。

    • 平台适配器: 将不同平台的流量密码封装成规则(小红书的 Emoji 密度与分段节奏等),将一篇长文重构为符合各平台原生语言的多个版本。

  • 预期价值: 让输出结果从看运气变成了保下限,同时建立了通用模型无法复制的个性化壁垒。

第四层:流程与调度层 (Workflow) —— 锁死的生产流水线

  • 重构思路: 将金牌写手的方法论(选题策划 -> 内容借鉴 -> 骨架生成 -> 填充润色 -> 多渠道分发),固化为不可跳跃的 DAG(有向无环图)。

  • 预期价值: 它负责按住模型的手,保障生产流程,进一步提升效果下限。

3. 交互重构:Agent 的极度克制 (Restrained Agency)

既然有了灵魂(定位)和内核(架构),接下来我们要解决的是:这个前额叶如何与作为指挥官的人进行交互?

在2023年的规划中,我曾激进地设想过全自动 Agent:用户给一个目标,大模型自动生成规划并执行。但受限于当时的技术可行性(指令遵循差),我们做了一个极端的决定:彻底摒弃 Chat 对话框,回退到纯 GUI 的 Workflow。

站在今天,技术红利已允许重启 Agent,但我依然坚持极度克制。在工作台模式下,Agent 不应该试图成为替代你的CEO,而是听你调遣的实习生。

我们需要构建一种 LUI(自然语言)+ GUI(图形界面)的混合交互模式:

  • 守正(收敛):

    • 场景: 确定的生产环节(如排版、审查、分发)。

    • 策略: 坚持用 Workflow + Skill。哪怕 Agent 现在能做,也不让它自由发挥。

    • 价值: 必须保证SOP 的刚性。这些环节需要的是 100% 的精确和可控,而非AI的惊喜。

  • 出奇(发散):

    • 场景: 任务目标模糊的环节(如“不知道写什么选题”、“帮我规划下周内容”)。

    • 策略: 重新引入 Chat 界面,允许用户输入模糊意图,利用 Agent 的推理能力进行意图对齐。

    • 价值: 处理模糊性(Ambiguity)。这恰恰是 Workflow 的短板,却是 Agent 的天赋。

  • 交互重构:从填空题到选择题

    • 旧模式(2023): 用户必须在 GUI 上填完所有复杂的参数表单(痛苦的填空题),系统按部就班执行。

    • 新模式(Now) —— 提案决策流:

    1. 用户给模糊目标(Chat): 下周要推新品,帮我规划 3 个选题。

    2. Agent 给具体提案(Proposal): AI 调用 RAG 和 Skill,生成 3 个方案卡片。

    3. 用户做决策(Decision):用户点击其中一个方案。

    4. 系统跑流程(Workflow):确认后,系统界面重心切换至流水线开始生产。 同时,保留侧边栏入口,允许随时唤起Agent进行局部调整。

image.png

图示:Chat + GUI 混合交互流程图

4. 生态重构:从工具到平台

真正的壁垒,不是你预置了多少内核能力,而是用户能通过接口长出多少私有资产。

前文所述的四层架构(Model/RAG/Skill/Workflow)构成了产品的业务内核,但这只是一个更好用的工具。

如果只停留在内核层,依然会陷入同质化陷阱。竞争对手可以抄袭你的 Skill 库,可以复制你的 Workflow 模板。

为了建立壁垒,还需要把内核打开,通过开放性接口,让工具进化为平台。我们将重点重构两个关键接口,让用户资产沉淀进来:

第一层:连接接口——以MCP为代表的基础设施

MCP(Model Context Protocol)不仅是模型的能力扩展协议,更是产品打破孤岛、连接外部世界的关键接口。

MCP与 Function Calling 的区别: MCP 旨在成为跨模型、跨厂商的通用协议,而当前主流的 Function Calling(如 OpenAI)仍是特定平台的私有接口。采用 MCP 有助于降低未来被单一厂商锁定的风险。

  • 官方预置:常见工具的 MCP 连接器(如 Notion、飞书文档、WordPress、数据分析工具)

  • 用户自接:提供 MCP 配置界面,让技术用户接入自己的私有工具

  • 社区生态:建立 MCP 连接器市场,用户可以分享/购买连接器

价值: 让产品从内容生产的孤岛,变成用户整个工作流的中枢节点。用户连接的工具越多,迁移成本越高。

第二层:定义接口 —— Skill 的用户级封装

如果说内核层里的Skill 是官方教给系统的能力(保下限),那么这一层级的 Skill 则是用户教给系统的能力(拓上限)。

  • 低代码模式: 提供可视化的 Skill 编辑器。

    • 例如:我的智能引流。扫描全文核心知识点,在我的私有产品库(如付费课程、电子书)中进行 RAG 检索,若匹配度 > 80%则在文章末尾自动生成一段痛点+解决方案的转折文案并插入对应的商品购买卡片。
  • 代码模式(面向高级用户):提供沙箱环境下的 Skill SDK,允许用户用 Python/JavaScript 编写自定义函数。

    • 例如:我的选题雷达。一个科技博主写了个 Skill,每天自动抓取他关注的 20 个特定 RSS 源 + 他的飞书收藏夹,用他自己训练的关键词权重模型(打分排序,每周一早上 9 点推送 Top 5 选题到他的工作台。
  • 价值: 让产品从固定能力变成可自定义平台。用户封装的 Skill 越多,产品对他的价值就越大。

战略意义:从 SaaS 到 PaaS

这种开放性设计,本质上是一次商业模式的跃迁:

  1. 慢变量资产沉淀:用户积累的 Skill 库和 MCP 连接,成为时间尺度为 3-5 年的慢变量资产。这是对抗模型快速迭代(3-6 个月)的终极武器。

  2. 对抗同质化:当所有 AI 写作工具都在拼谁的模型更好时,你在拼谁的生态更开放。模型可以被超越,但用户的资产沉淀无法被快速迁移。

  3. 用户锁定效应:用户在你的平台上封装的 Skill 越多,连接的工具越多,他们就越离不开你。这是比纯订阅付费更深的护城河。


尾声:义肢时代的思考

在结束这篇架构复盘之前,我必须向自己,也向所有阅读此文的从业者提出最后一个问题:

我们费尽心力搭建的这套精密系统(Model + RAG + Skill + Workflow),是 AI 的终局形态吗?

我的判断是:不是。这只是一个中间态。我们当前正处于一个义肢时代。

必须承认,我们今天之所以要外挂 RAG、封装 Skill、硬编码 Workflow,本质上是因为核心模型还不够强。 

我们是在给一个尚有缺陷的婴儿神,搭建一套复杂的学步车和矫正器。真正的工程智慧,始于承认局限。

未来的趋势一定是能力的内化。 随着模型参数的扩张和推理能力的进化,那些原本属于系统层的能力,终将被吃进模型层。

  • 当 Context Window 无限大且便宜时,复杂的 RAG 检索机制可能会演变为精细化的上下文筛选器,而不仅仅是挂在数据库;

  • 当模型具备原生计算机操作能力时,预定义的Skill可能会消失,变为模型动态生成的动作;

  • 当 System 2 的逻辑推理达到专家水平时,死板的 Workflow 路径可能会软化,变为模型自主规划的思维链。

那么,我们今天构建这套架构的意义何在?一旦模型变强,这套系统会沦为废铁吗?

绝不会。 即便技术上的补丁属性会减弱,但这套架构在商业与管理上的价值将永存。随着模型越来越强,我们的架构重心将发生一个微妙而深刻的转移:

从为了能力增强转移到为了安全控制,从指导 AI 如何作业转移到定义 AI 的业务边界。

即便未来的大模型强到能自动规划一切,商业公司依然不敢让它裸奔。

因为商业世界需要的不仅仅是强大的智能,更是可解释、可审计、可控的智能。

  1. 可解释性 (Explainability):

    • 黑箱模式(AGI): “因为我直觉认为这笔贷款风险大。”

       —— 无法审计,合规挂科。

    • 系统模式(Workflow): “因为我在 Step 3 查到他征信分低于 600。”

      —— 逻辑透明,合规通过。

    • 价值:Workflow 将永远存在,这是一套独立于模型智力之外的业务宪法。

  2. 数据主权 (Sovereignty):

    • 你敢把公司的核心财务报表训练进通用的公有大模型里吗?

    • 价值:RAG 层将永远存在,作为私有数据资产的物理隔离带。

  3. 算力成本 (Cost):

    • 杀鸡焉用牛刀。1个写死的 Python 脚本(Workflow)运行一次是 0.0001 美元,耗时 10ms。让 o1 思考出来可能需要 0.1 美元,耗时 5s

    • 以 OpenAI o1 为代表的推理模型虽然展现了惊人的复杂推理能力,但其高成本、低吞吐的物理特性,决定了它短期内无法替代确定性代码。对于高频、确定性的业务流程(如格式校验、数据转换、审批流转),Workflow目前依然是性价比最优解。

    • 价值:Workflow 不仅仅是为了控制,更是为了降本增效。

这套架构确实是时代的产物,但它不会随时代消失。 这套架构在今天看来是拐杖(因为模型不够强,需要辅助)。在明天看来则是缰绳(因为模型太强,需要约束)。

只要人类还需要对结果负责,这套将不确定性关进笼子里的架构,就是我们手中最后的底牌。

除此之外,还有我1年半前的其他几个判断,文章链接大模型中的两个概念:Agent与记忆组件:

如今看来仍不过时:

  • 从用户视角出发,用什么方式来解决问题,根本不重要。重要的是,能不能稳定的,持续的、较好的解决问题。

  • 一个所谓长期有价值的事情,不意味着从始至终要用同一种手段,甚至是同一种技术,解决同一个问题。这个过程中,重要的是拿认知、拿反馈、拿迭代的方向。然后在技术成熟的时刻,切换为代价更小的方案。

  • 技术快速迭代时期,充满了很多变数。需要做的:

    1)确保自己正在解决真问题,或提供新价值;

    2)紧跟技术演进方向,确保自己在问题上所花费的时间不会因为技术迭代而被快速的抹掉;

  • 一张有趣的图,用于警示:警惕自己以为是路子2,实际是路子1,这也是我曾经犯过最大的错,后面有机会再继续唠。

最后,回顾从单体黑箱到精密机器的演进,我们其实一直在回答同一个问题:如何与一个概率性的智能共存?

  • 不要试图把神(模型)降维成机器,去强求它绝对精准。

  • 也不要试图把机器(流程)神话为智能,去指望它自动涌现智慧。

最优秀的 AI 架构,一定是中庸的。 它用 RAG 承载记忆,用 Skill 封装经验,用 Workflow 约束边界,最后把 Model 放在核心,让它作为引擎轰鸣运转。

从0到1!大模型(LLM)最全学习路线图,建议收藏!

想入门大模型(LLM)却不知道从哪开始? 我根据最新的技术栈和我自己的经历&理解,帮大家整理了一份LLM学习路线图,涵盖从理论基础到落地应用的全流程!拒绝焦虑,按图索骥~~

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

从LLM裸用到工程化:Agent Harness如何解决大模型应用落地难题 大语言模型(LLM)和智能体(Agent)技术为应用开发带来了新的可能性,但其从演示到生产环境的落地过程充满挑战。核心原理在于,LLM本身是一个强大的生成引擎,但其原生API调用缺乏对复杂、动态环境的工程化管控。这涉及到上下文管理、工作流编排、工具调用稳定性等关键技术环节。其技术价值在于,通过一套系统化的工程框架,将LLM的原始能力转化为稳定、可靠、可控的生产力,从而跨越从原型到产品的鸿沟。在实际应用场景中,无论是智能客服、代码助手还是数据分析,都需要处理多轮对话、外部工具集成和成本控制等问题。本文聚焦的A 阅读详情

相关推荐

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

jks212454的博客 467

AI架构实战指南:Agent、Workflow、RAG、Skill如何选择与组合

文章通过AI内容产品实战案例,揭示AI系统护城河在于架构而非单纯模型能力。提出用慢变量(Workflow/RAG)对抗快变量(模型迭代)的架构韧性理念,详解如何通过定位重构(从创造者转向放大器)、架构重构(构建最小完备内核)、交互重构(Agent克制使用)和生态重构(开放平台)构建稳定可进化的AI系统。这套架构在今天是拐杖,明天将成为约束强大AI的缰绳。

m0_65555479的博客 790

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 519

大模型落地终极指南!LLM/RAG/workflow/Agent怎么选?万字决策矩阵全解析,收藏这篇避坑!

搞大模型落地,谁还没几个崩溃时刻了?这份保命指南请收好: **效果要显贵,基础款就不要再搭基础款** **模型基础,数据就不基础;** **架构基础,infra就不基础;** **场景基础,方案就不基础;** **如果全都基础,那甩锅就不基础……**

m0_59163425的博客 937

从零到一:在RK3588 Android12上实战RTL8723DU WiFi蓝牙双模驱动移植

本文详细介绍了在RK3588 Android12系统上实战RTL8723DU WiFi蓝牙双模驱动移植的全过程。从驱动源码获取与修改、系统级集成与编译,到调试与性能优化,提供了完整的解决方案。特别针对USB接口适配、电源管理和蓝牙共存等关键问题给出了具体代码示例,帮助开发者快速完成驱动适配并提升设备稳定性。

weixin_28703489的博客 326

软件测试面试题汇总

软件测试面试题汇总 测试技术面试题 ........................................................................................................................................................................ 5 1、什么是兼容

晴天的专栏 2万+

Agent Skill深度拆解:原理+各大主流Agent实现,一篇看懂

最近,似乎无论走到哪里都能听到一个词——“Skill”。随着“龙虾”的火爆出圈,这个早在去年10月就备受讨论的“新概念”再度冲上热搜。其实,早在2025年4月谷歌推出A2A(Agent-to-Agent)协议时,“Agent Skill”的雏形便已出现;但真正让它从概念走向行业规范,是在25年10月Claude Code发布“Agents Skill”功能之后。如今,它已演变为各大Agent开发厂商共同遵守的标准协议。

m0_59235945的博客 1275

通信工程学习:什么是OLT光线路终端

OLT(光线路终端)是无源光网络(PON)的核心局端设备,负责光/电信号转换、数据处理、带宽分配及用户管理。具有高带宽、低损耗、高安全性和易维护等技术特点,广泛应用于家庭、企业及公共机构宽带接入。未来将向更高性能、智能化方向发展,结合SDN/NFV等新技术,提升网络服务质量。

limengshi138392的博客 4366

最近AI领域爆火的 Agent Skills 是什么?

AI智能体领域正经历从数据连接到能力构建的转变。MCP协议解决了LLM与外部工具的连接问题,而新兴的Agent Skills标准则致力于构建智能体的可执行能力。Agent Skills采用结构化文件夹形式(含指令文件SKILL.md、脚本、参考资料等),通过渐进式披露机制分阶段加载信息,有效管理上下文窗口。该标准已获行业广泛支持,其核心优势在于实现技能的可移植性、降低指令复杂性,并优化性能表现。典型应用如PDF处理技能,展示了如何通过结构化指令和按需资源加载来扩展AI的专业能力。

xindoo 1537

WorkBuddy Skill赋能HYSYS与Comsol:AI工作台下的仿真自动化实践

AI Agent正将工业软件自动化带向新高度。在工程仿真领域,流程模拟与多物理场分析常因重复性操作而效率低下,Aspen HYSYS的批量工况调整、Comsol的参数扫描与网格重构均属此类。WorkBuddy这类AI工作台通过Skill将软件二次开发能力封装为可插拔技能包,利用HYSYS的COM/OLE接口和Comsol的Java API,实现自然语言指令到自动化执行的转变。其技术价值在于降低自动化门槛、沉淀工程经验,并支持日志审计与异常重试。在实际应用中,无论化工流程的灵敏度分析,还是激光焊接、移动网格等

weixin_29055699的博客 307

别再让会议变‘回音壁’:手把手教你调优WebRTC的AEC3回声消除(附实战代码)

本文深入解析WebRTC的AEC3回声消除技术,提供从参数调优到声学环境适配的实战指南。通过诊断回声特征、解剖核心参数(如filter.length_blocks和delay_estimate_smoothing)以及应对特殊场景(如密闭空间与开放办公区),帮助开发者有效解决视频会议中的回声问题,提升语音通信质量。附有实战代码和调试工具,适合需要优化实时通信体验的开发者。

weixin_29220405的博客 178

从RAG落地失败到用户满意度提升90%:我们靠这一招Query Rewrite,收藏起来避免踩坑!

本文探讨了RAG系统落地实践中的核心问题与解决方案。研究发现直接使用用户原始问题检索效果不佳,因为用户提问通常存在口语化、指代不清等问题。通过引入Query Rewrite能力,将用户问题转化为系统可理解的检索查询,包括问题拆解和上下文补全,显著提升了系统命中率。文章指出RAG应是"理解→搜索→再生成"的过程,强调Query Rewrite作为理解层是不可缺失的一环。同时指出该技术不适用于明确关键词查询等场景,建议将其视为能力而非默认实现。最后提醒开发者应更关注用户问题是否适合直接检索这

优快云_224022的博客 554

【思博伦】史上最详细Spirent TestCenter测试仪使用教程精讲(一)!图解超赞超详细!!!

3. 在弹出的界面中,找到菜单栏中的“Connect/Create”,选择下拉框中的“Connect to Physical/Visual Chassis”,在弹出的对话框中输入思博伦测试仪的IP地址:192.168.6.244,点击“OK”;说明:目前我们只需要使用到Raw Stream Block,不需要用到Bound Stream Block。说明:如果要使用100G模式,由于硬件限制,必须连续3个面板端口同时配置为100G使用。打开安装包,并按照提示按照即可。

风云说通信 6483

混合架构设计:Agent-Workflow-RAG-Skill协同方案

在AI应用落地的浪潮中,Agent、Workflow、RAG和Skill这四种技术架构各具特色,但单一技术难以应对企业级复杂场景。本文通过分析沃趣科技业务特点与四种技术的本质区别,提出一套"以Workflow为骨架、RAG为知识库、Skill为执行器官、Agent为智能中枢"的混合架构,旨在构建一套既能保证标准化服务流程,又能灵活应对复杂场景的智能售后解决方案。Agent是具备"感知-思考-行动-观察"循环能力的智能系统,其核心价值在于处理开放、模糊、需求不确定的复杂任务。

喝醉酒的小白 1389

智能解译城市进程:遥感影像建筑物提取研究全景与前沿进展(数据集及代码)

随着全球城市化进程的加速,高效、精准地监测城市建筑物分布对城市规划、灾害评估、人口估算及智慧城市建设具有重要意义。传统的人工测绘方法耗时费力,难以满足大范围、动态更新的需求。而遥感影像建筑物提取技术,借助深度学习与计算机视觉,能够自动化识别并提取建筑物轮廓,极大地提升了城市信息获取的效率和精度。首先,建筑物提取是遥感影像解译的核心任务之一。

hanfeng5268的博客 592

YOLO11改进-注意力-引入自调制特征聚合模块SMFA

SMFA(自调制特征聚合模块): SMFA模块用于协同建模局部和非局部信息,它分为两个分支:一个是EASA(Efficient Approximation of Self-Attention,简化的自注意力分支),用于捕获非局部信息;另一个是LDE(Local Detail Estimation,局部细节估计分支),用于捕获局部细节。EASA通过对输入特征进行下采样,然后利用全局特征的方差进行调制,再与原始特征进行聚合,提取非局部结构信息。LDE分支则通过卷积操作提取输入特征中的高频局部信息。

qq_64693987的博客 2209

Agent、Workflow、RAG、Skill全面拆解:AI落地选型与组合实战

在AI应用构建中,Agent、Workflow、RAG、Skill常被混为一谈,但它们实为不同层级的技术要素。Workflow是确定性流程编排,RAG是知识接入方案,Agent面向不确定性决策,Skill则是可复用能力单元。理解各自原理边界,是企业AI落地的前提。从工程实践看,先厘清任务路径能否穷举、知识是否需动态接入、是否允许未知路径,方能做出理性技术选型。以私域客服、数据分析等场景为例,四者常需组合使用:Workflow搭骨架,RAG供知识,Skill执行具体动作,Agent在不确定处兜底。稳健策略是“

weixin_29044157的博客 117

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

大模型应用开发--Agent笔记1(定义,ReAct、Plan-and-execute范式,Coze、Dify低代码平台,LangChain、LlamaIndex、AutoGen框架,评估,含代码)

本文基于datawhale的Hello-Agents开源项目及其他大模型开发资料整理而成。内容分为四个部分: 智能体基础概念、智能体构建范式、智能体框架比较和智能体性能评估。笔记重点分析了不同范式的优缺点,并通过实际代码示例展示了各框架的具体实现方式。作者将持续更新学习内容,深入探索智能体开发的实践应用。

zhuai.blog.youkuaiyun.com 2020

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 337

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 614

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 272

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 206

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 339

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 348

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 83

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 157
上一篇: AI Agent:新体验替代旧体验的未来何时到来?
下一篇: 基于 MCP 的 AI Agent 应用开发实践
程序员_大白
博客等级 码龄5年 1万+粉丝 4001原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值