一文讲清:什么是大模型、Agent、MCP?25 个 AI 高频概念全解读

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

不需要技术背景,看完这篇,你也能跟任何人聊 AI。


大模型、Agent、Prompt、RAG……

这些词你一定见过。朋友圈刷屏、老板开会提、连楼下卖煎饼的大爷都在说要用 AI 降本增效。

但你真知道它们是什么意思吗?

我猜大概率是似懂非懂,别人聊的时候你只能点头微笑。别不好意思,这太正常了——AI 领域造词速度比造产品还快。

这篇文章不讲代码、不堆公式,用最接地气的大白话,把 2026 年 AI 领域最高频的 25 个概念一次讲透。


一、地基层:AI 的基本功

1. 人工智能(AI)

一句话解释:让机器模仿人类思考和做事的技术。

大白话:就像你教小孩认猫——给它看一万张猫的照片,它就知道猫长什么样了。AI 的原理差不多,只不过"小孩"是计算机,"照片"是数据。

记住一句话:AI 不是真正的"智能",它是在海量数据中找到了规律,然后用这些规律来预测和生成。说白了,它是一个极其强大的模式匹配机器。


2. 大模型(LLM)

一句话解释:AI 的"大脑",能理解和生成人类语言的超大程序。

大白话:想象一个读过全世界所有书籍、网页、论文的超级学霸。它不是真的"理解",但它记住了几乎所有的语言模式,所以你问它什么,它都能接上话。

几个数字感受一下:

  • • 参数量:相当于大脑里有多少"神经连接",GPT-4 约 1.8 万亿参数
  • • 训练数据:几十 TB 的文本,相当于几百万本书
  • • 常见的大模型:GPT-4、Claude、DeepSeek、Gemini、Qwen(通义千问)、文心一言

一句话总结:大模型是 AI 的核心引擎,所有你看到的 AI 应用,底下跑的都是它。没有大模型,后面的 Agent、RAG 全是空中楼阁。


3. Token

一句话解释:大模型处理文字的最小单位。

大白话:你打字用的是"字"和"词",但大模型看的是"Token"。一个汉字大概 1-2 个 Token,一个英文单词大概 1-2 个 Token。比如"我喜欢 AI"大概会被拆成 4-5 个 Token。

为什么要关心这个:

  • • 大模型按 Token 收费,Token 越多越贵
  • • 每个模型有 Token 上限,超了就"记不住"前面的内容

一句话总结:Token 是 AI 的"计费单元"和"记忆单元"。你花的每一分钱,都是按 Token 算的。


4. 上下文窗口(Context Window)

一句话解释:大模型一次能"看到"多少内容。

大白话:就像你的工作台,桌子越大,能同时摊开的资料越多。上下文窗口就是这张桌子的面积。早期模型只能看 4K Token(大概 3000 字),现在主流模型已经能看 128K 甚至 100 万 Token(一本书的量)。

一句话总结:上下文窗口越大,AI 能处理的信息越多,越不容易"忘事"。这也是为什么你把一篇长文丢给 AI,它有时候会"忘记"前面的内容。


5. Prompt(提示词)

一句话解释:你给 AI 下的指令。

大白话:Prompt 就是你跟 AI 说的话。"帮我写一封邮件"是 Prompt,"你是一个资深律师,请分析这个合同的风险"也是 Prompt。

关键区别:

  • • 普通 Prompt:直接说需求 → 通用回答
  • • 好的 Prompt:给角色 + 给背景 + 给要求 → 精准回答

举个例子感受一下差距:

  • • ❌ “帮我写个文案”
  • • ✅ “你是一个 10 年经验的品牌文案,请用轻松幽默的风格,为一款面向 25-35 岁女性的护肤精华写一段 200 字的小红书种草文案,突出成分安全和性价比”

同一个 AI,两种 Prompt,输出质量天差地别。

一句话总结:Prompt 写得好不好,直接决定 AI 输出的质量。这是普通人最该练、也最能立竿见影的 AI 技能。


6. System Prompt(系统提示词)

一句话解释:给 AI 设定的"人设"和"规则"。

大白话:如果说 Prompt 是你每次跟 AI 说的话,那 System Prompt 就是提前写好的"岗位说明书"。比如:“你是一个专业的客服,请用礼貌但简洁的语气回答用户问题,不确定的就说不确定。”

一句话总结:System Prompt 定义了 AI 的"性格"和"底线",用户通常看不到它,但它决定了你跟 AI 聊天的整体体验。


二、能力层:AI 能做什么

7. 推理(Reasoning)

一句话解释:AI 的"思考能力"。

大白话:不只是背答案,而是能一步一步分析问题。比如你问"如果 A 比 B 高,B 比 C 高,谁最矮?"AI 需要推理才能回答,而不是从记忆里找答案。

2025-2026 的趋势:推理能力是各家模型卷得最凶的方向。DeepSeek-R1、Claude 的扩展思考、GPT-o 系列,都是在推理上做文章。谁家推理强,谁就在这轮竞争中占上风。

一句话总结:推理 = AI 会"想",不只是会"背"。这是 AI 从"工具"往"助手"进化的分水岭。


8. 思维链(Chain of Thought)

一句话解释:让 AI 把思考过程写出来。

大白话:就像学生做数学题要写解题步骤,不能直接写答案。思维链就是让 AI 先列出分析过程,再给出结论。

实际效果:加一句"请一步一步思考",AI 的回答质量能提升 30% 以上。听起来像玄学,但这是被反复验证过的工程实践。

一句话总结:想让 AI 答得准,就让它"写出过程"。下次用 AI 的时候试试,效果立竿见影。


9. 多模态(Multimodal)

一句话解释:AI 不只会看文字,还会看图、听声音、看视频。

大白话:早期的 AI 只能处理文字(单模态)。现在的 AI 已经进化了——你发一张照片问"这是什么菜?"它能告诉你;你发一段语音,它能转成文字再回答你;甚至能直接看视频理解内容。

一句话总结:多模态 = AI 的"五感"在升级,从只会"读"变成会"看、听、说"。以后你跟 AI 的交互方式,会越来越像跟人说话。


10. 幻觉(Hallucination)

一句话解释:AI 一本正经地胡说八道。

大白话:AI 有时候会编造不存在的信息,但说得特别自信。比如你问它一本不存在的书,它可能会给你编出作者、出版社、ISBN 号,甚至一段书评。

为什么会这样:大模型本质上是在"预测下一个最可能的词"。它不真的知道什么是"对"的,只是知道什么"听起来像对的"。所以它能编出一套逻辑自洽但完全是假的东西。

一句话总结:AI 说的不一定对,重要信息一定要自己验证。这是目前 AI 最大的硬伤,短期内很难彻底解决。


11. Function Calling / Tool Use(工具调用)

一句话解释:AI 不只会说话,还会"动手"。

大白话:以前的 AI 只能跟你聊天。现在的 AI 可以调用工具——帮你查天气、搜网页、读文件、发邮件、操作数据库。就像一个实习生,不只会写报告,还会帮你订会议室、查数据。

一句话总结:工具调用让 AI 从"嘴炮"变成了"干活的"。没有工具调用,Agent 就是一个只会说话的空壳。


三、应用层:AI 怎么用

12. Agent(智能体)

一句话解释:能自己规划、决策、干活的 AI。

大白话:如果大模型是"大脑",那 Agent 就是"完整的人"——有大脑(大模型)、有手脚(工具调用)、有记忆(上下文管理)、有目标(任务规划)。

举个例子:

  • • 普通 AI:你问一句,它答一句
  • • Agent:你说"帮我调研一下竞品的定价策略,写成报告",它自己去搜信息、整理数据、写报告、排版,最后把成品给你

2025-2026 的趋势:Agent 是目前 AI 行业最火的方向,没有之一。所有公司都在赌同一件事:AI 不只是聊天,而是能替你干活。

一句话总结:Agent = 大模型 + 工具 + 记忆 + 规划能力。这是 AI 从"玩具"变成"工具"的关键一步。2026 年,谁的 Agent 能真正落地,谁就赢了。


13. MCP(Model Context Protocol)

一句话解释:AI 连接外部工具的"标准接口"。

大白话:想象一下,你的手机要充电,不管是苹果还是安卓,现在都能用 USB-C。MCP 就是 AI 世界的 USB-C——它定义了一套标准协议,让任何 AI 都能连接任何工具(数据库、文件系统、API、第三方服务),不用每个工具都写一套适配代码。

为什么重要:以前每个 AI 工具都要单独开发连接器,现在有了 MCP,一次适配,到处可用。

一句话总结:MCP 是 AI 的"万能插头",让 AI 能连接万物。这个协议 2024 年底才出来,2025 年就火速普及了,说明行业对"标准化连接"的需求有多迫切。


14. Skill(技能)

一句话解释:AI 学会的"具体本事"。

大白话:如果说 Agent 是一个员工,那 Skill 就是它的"技能清单"。比如"写代码"是一个 Skill,"做 PPT"是一个 Skill,"分析 Excel"也是一个 Skill。

跟 Tool 的区别:

  • • Tool(工具)= 一把锤子,AI 拿起来就能用
  • • Skill(技能)= 知道什么时候该用锤子、怎么用、用多大力气

一句话总结:Skill = AI 的"专业能力模块",可以插拔组合。一个 Agent 配的 Skill 越多,它能干的事就越多。


15. RAG(检索增强生成)

一句话解释:让 AI 先查资料再回答,别瞎编。

大白话:AI 有个致命弱点——它的知识有截止日期,而且容易编。RAG 就是给 AI 配了一个"资料库":你问问题的时候,它先去资料库里找相关内容,找到之后再基于这些内容来回答。

实际效果:用了 RAG 之后,AI 回答的准确率能提升 50% 以上,幻觉率大幅下降。企业级 AI 应用几乎都在用 RAG。

一句话总结:RAG = AI + 实时资料库,解决 AI "不知道"和"瞎编"的问题。


16. Embedding(向量化)

一句话解释:把文字变成数字,让 AI 能"理解"语义。

大白话:计算机不认识文字,只认识数字。Embedding 就是把一段话变成一串数字(向量),而且意思相近的话,变成的数字也相近。这样 AI 就能判断两段话是不是在说同一件事。

应用场景:搜索引擎、推荐系统、RAG 的底层技术,都依赖 Embedding。你每天用的抖音推荐、淘宝搜索,背后都有 Embedding 在工作。

一句话总结:Embedding = 让 AI "读懂"文字含义的技术基础。听起来抽象,但你每天都在用它。


17. 向量数据库

一句话解释:专门存储和搜索 Embedding 的数据库。

大白话:普通数据库存的是"张三、25 岁、北京"这样的结构化数据。向量数据库存的是 Embedding 生成的那些数字向量,能快速找到"意思最相近"的内容。

常见产品:Pinecone、Milvus、Weaviate、Chroma

一句话总结:向量数据库是 RAG 的"资料柜",没有它,RAG 就跑不起来。


18. Fine-tuning(微调)

一句话解释:在通用大模型基础上,用专业数据再训练一遍。

大白话:通用大模型就像一个什么都会一点的通才。Fine-tuning 就是让它去"进修"——比如用医疗数据训练,它就更懂医学;用法律数据训练,它就更懂法律。

跟 RAG 的区别:

  • • RAG = 给 AI 一本书,让它翻着回答(不改大脑)
  • • Fine-tuning = 把知识"刻"进 AI 的大脑里(改大脑)

实际项目中,RAG 和 Fine-tuning 经常一起用。

一句话总结:Fine-tuning 让通用 AI 变成行业专家。


19. API(应用程序接口)

一句话解释:程序之间对话的"通道"。

大白话:你去餐厅点餐,不需要自己进厨房做,跟服务员说一声就行。API 就是这个"服务员"——你的程序跟 AI 说"帮我翻译这段话",不需要知道 AI 内部怎么运作,只要调用 API 就能拿到结果。

一句话总结:API = 调用 AI 能力的标准方式。几乎所有 AI 应用都是通过 API 接入的,包括你用的各种 AI 助手。


20. Temperature(温度)

一句话解释:控制 AI 回答的"创意程度"。

大白话:

  • • Temperature 低(0-0.3):AI 像一个严谨的会计师,回答稳定、确定
  • • Temperature 高(0.7-1.0):AI 像一个天马行空的创意人,回答多变、有惊喜

什么时候用:写代码、做计算用低温度;写故事、做创意用高温度。大多数 AI 产品默认温度在 0.7 左右,是个折中值。

一句话总结:Temperature = AI 的"创意旋钮"。调高了有惊喜,也有可能翻车。


四、生态层:AI 的格局

21. 开源 vs 闭源

一句话解释:AI 模型的代码和权重是公开的还是保密的。

大白话:

  • • 闭源(GPT-4、Claude):公司把模型藏起来,你只能通过 API 用,看不到内部
  • • 开源(DeepSeek、Llama、Qwen):公司把模型公开,谁都能下载、修改、部署

现在的情况:闭源模型(OpenAI、Anthropic)性能领先但贵,开源模型(DeepSeek、Llama)在快速追赶且便宜。两条路线在激烈竞争,2026 年这个格局还在加速变化。

一句话总结:开源 = 免费可定制但需要技术;闭源 = 贵但开箱即用。普通人用闭源,企业大概率会走开源路线。


22. AGI(通用人工智能)

一句话解释:AI 在所有领域都达到人类水平。

大白话:现在的 AI 是"偏科生"——下棋超强但不会做饭。AGI 就是"全科学霸"——什么都能做到人类水平,甚至更好。

现状:2026 年了,AGI 还没实现,但所有人都在往这个方向冲。OpenAI 说明年就能实现(每年都说),学术界说还要 20 年。没人知道确切答案。

一句话总结:AGI 是 AI 行业的"终极目标",目前还没达到。但接近它的速度,可能比大多数人想的要快。


23. RLHF(人类反馈强化学习)

一句话解释:让人类"调教"AI 的训练方法。

大白话:AI 生成了 10 个回答,人类标注员来打分——哪个好、哪个差。AI 根据人类的打分来调整自己,下次生成更好的回答。就像老师批改作业,学生根据反馈来进步。

一句话总结:RLHF 是让 AI 变得"更像人"、"更有用"的关键训练方法。没有 RLHF,AI 可能还是一个说话怪怪的机器人。


24. 蒸馏(Distillation)

一句话解释:把大模型的"知识"压缩到小模型里。

大白话:一个超级大的模型(老师)太贵、太慢、跑不起。蒸馏就是让大模型把知识"教"给一个小模型(学生),小模型学到 80-90% 的能力,但体积小 10 倍,速度快 10 倍,成本低 10 倍。

实际意义:DeepSeek 就大量使用了蒸馏技术,用很低的成本做出了接近顶级的模型。这也是为什么 DeepSeek 能让硅谷紧张的原因之一。

一句话总结:蒸馏 = 用大模型"教"出小模型,降本增效的核心技术。


25. 预训练(Pre-training)

一句话解释:大模型的"基础教育"阶段。

大白话:让模型读完互联网上几乎所有的文字,学会语言的基本规律。这一步需要海量数据和算力,花费几百万到几千万美元。

完整的训练流程:

    1. 预训练(Pre-training)→ 学会说话(基础语言能力)
    1. 微调(Fine-tuning / SFT)→ 学会做事(指令跟随能力)
    1. 人类反馈(RLHF)→ 学会做人(对齐人类偏好)

一句话总结:预训练是大模型的"胎教",决定了它的基础能力上限。这一步做不好,后面怎么调都白搭。


五、一张图看懂它们的关系

你(用户)  ↓ 说一句话Prompt(提示词)  ↓大模型(LLM)← 上下文窗口(能看多远)  ↓ 需要查资料?RAG → 向量数据库 → Embedding  ↓ 需要干活?Agent → Tool / Skill / MCP  ↓ 输出结果你收到回答

简单来说:

  • • 大模型是大脑
  • • Prompt是你跟大脑说的话
  • • Agent是大脑 + 手脚
  • • RAG是给大脑配的资料库
  • • MCP是大脑连接外部世界的万能插头
  • • Skill是大脑学会的具体本事

六、然后呢

25 个概念,你全看完了。

下次再有人在群里聊"Agent + MCP 是不是会干掉 SaaS",你不用再假装听懂了。

但说句实话,知道概念和会用是两码事。就像你知道健身的原理不代表你有腹肌。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

AI Agent、Skill与MCP实战:从概念到工程落地 AI Agent正从“能聊天”走向“能干活”,其核心是通过自主循环完成任务拆解与工具调用。Vibe Coding将开发模式推向意图驱动,而Agent Skill作为专业技能包,把稳定执行流程沉淀进Agent上下文中。配合MCP统一外部工具接口,开发者可以在命令行中完成代码修复、日志分析等复杂任务。本文以Codex CLI与Claude Code为例,梳理安装配置与排错路径,并通过ES REST API日志分析实战,完整展示Agent与Skill的协同落地方法。 阅读详情

相关推荐

从MCP到Lensa:一文读懂AI Agent外部工具接入新标准

在大模型应用开发中,模型本身无法直接操作数据库、调用接口或读写文件,必须借助外部工具才能完成真实业务任务。早期的Function Calling需要开发者反复编写胶水代码,维护成本高;而模型上下文协议(MCP)则提供了一种统一的通信标准,如同AI世界的USB-C接口,让智能体应用能够以标准方式连接任意数据源和工具。在实践中,Lensa这类开源项目通过提供现成的连接器(Connector)与技能(Skill)模板,进一步降低了MCP Server的接入门槛。开发者只需配置环境变量和启动命令,即可在ChatGP

weixin_30745553的博客 374

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1454

用AI学习graphify

Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo

我的专栏 752

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4403

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3294

Mac电脑用Latex论文排版3天速成5天实战de笔记

我后悔了,这五天竞赛搞得我视力都下降了...一个冲动的决定后成为数模竞赛论文写手,3天速成+5天时间=点亮攻克latex写论文技能💡关于Overleaf我是Mac,曾经按照大部分推荐的方式用TEXshop+vs code,但是把模板导入就开始报错。跟着少之又少的适配mac的教程(此时我已知道大概是走错路了)改了配置也无效。海鲜市场找佬改了半天,佬问我:一定要用VC吗?我说,那倒也不是。于是佬推荐我overleaf,三下五除二帮我挑配了环境,美汁汁收了我30块钱。

luwanjoyce的博客 2254

RAG、Agent、MCP、Skill一句话讲清_AI_底层

用 Trae 输入一句话就能生成整个项目,Cursor 能 @ 文件、@ 网页——这些「能动手」的 AI 和只会聊天的 ChatGPT 有啥不同?背后是一套从 RAG、MCP 到 Agent、Skill 的底层逻辑。今天用对话帮你讲清楚。

Python_cocola的博客 839

eNSP-交换机VLAN配置

VLAN

乌托托的博客 8814

一文讲清最近很火的 MCP 是什么?为什么说程序员必学技能就是MCP?

摘要:MCP(Model Context Protocol)是由Anthropic推出的AI开放协议,旨在标准化大语言模型与外部数据、工具的连接方式。它采用客户端-服务器架构,支持访问本地文件、数据库及远程服务,实现AI能力的扩展。MCP类似于"万能适配器",通过标准化接口让不同AI模型接入多元化资源,解决数据隔离问题。相比Function Calling和Agent,MCP更专注于建立通用协议层,使AI应用能安全、高效地获取外部数据。该协议支持多种编程语言开发,有望成为AI领域的重要基

Gaga246的博客 3257

直流并联电压源的下垂控制与模拟光伏板特性的方法与仿真

并联直流电源下垂控制方法,下垂特性可以让并联直流电源输出功率/电流自动均衡,直流电源输出特性模拟光伏板的输出特性,具有自动限制输出最大功率的功能

1197

STM32F103移植NuttX实战:从零搭建最小系统到串口Shell(附完整配置文件)

本文详细介绍了在STM32F103C8T6开发板上移植NuttX实时操作系统的完整过程,包括环境搭建、BSP配置、系统时钟初始化、驱动裁剪、编译烧录及串口Shell交互。通过实战指南帮助开发者快速掌握NuttX移植技巧,解决典型问题,适用于嵌入式系统开发。

tree8的博客 294

一文讲清 O2OA AI Agent:用“大模型 + MCP”把流程真正自动化

把MCP看成“企业工具的统一插座”,它让工具具备标准描述(工具叫什么、能做什么、参数是什么、返回什么)、权限边界(谁能调用、什么场景能调用、是否需要二次确认)、可观测审计(每次调用的输入输出可追踪、可回放、可复盘)三件关键能力。综合所有的痛点,把“能做什么、怎么做、允许谁做、做完返回什么”都标准化,让 AI 的每一次动作可声明、可控、可审计,这才是MCP存在的价值。如果你也在寻找“能落地、能治理、能扩展”的企业 AI 路线,欢迎一起交流:从一个流程试点开始,让 AI 先把一件事办完,然后把全链路跑通。

liyi_hz2008的博客 444

手机流畅的秘密:拆解LPDDR5X在骁龙8 Gen2平台上的电源与信号完整性设计

本文深入解析了LPDDR5X内存与骁龙8 Gen2处理器在旗舰手机中的协同设计,重点探讨了0.5V超低电压下的电源完整性设计以及8.5Gbps高速传输中的信号完整性挑战。通过详细的电源树架构、关键器件选型和布线策略分析,揭示了如何实现高性能与低功耗的完美平衡,为手机流畅体验提供硬件保障。

weixin_30235225的博客 485

AI 只会淘汰不用 AI 的程序员[特殊字符](2025 版更深入:模型×IDE×MCP×Agent/Planning 一套打穿)

能把复杂需求拆清楚(Planning)能把工程约束写清楚(Docs + Rules)能把交付流程固定下来(Workflow)能把工具链接起来(MCP + IDE)工具会变,模型会变,但这套能力不会变。AI 是生产力,毋庸置疑。真正拉开差距的是:你有没有把它用成“稳定可复用的生产线”。

IT枫斗者的博客 1490

hcaptcha-challenger:基于本地AI模型自动破解验证码的工程实践

验证码作为区分人类与机器的经典安全机制,其核心原理是通过图像识别、行为分析等交互式挑战来阻挡自动化程序。传统绕过方法依赖第三方打码平台或脚本,存在成本高、稳定性差的问题。随着多模态大语言模型和计算机视觉技术的发展,本地化AI求解成为新的技术方向,它通过集成YOLO、ResNet等模型,在本地完成图像语义理解,实现了高隐私、低成本、可进化的验证码自动化解决方案。这种范式尤其适用于需要大规模稳定处理网页交互的场景,如电商数据采集和社交媒体管理。hcaptcha-challenger项目正是这一理念的工程实践,它

weixin_42587866的博客 1028

130页5万字某市档案馆数字档案馆建设方案

【版权声明】本资料来源网络,仅用于行业知识分享,供个人学习参考,请勿商用。【侵删致歉】如有侵权请联系小编,将在收到信息后第一时间进行删除!完整资料领取见文末,部分资料内容:国家档案局证实颁布《数字档案馆建设指南》, 明确了数字档案馆建设原则、要求、目标,对相关系统建设内容、功能要求进行了概括和详细说明。数字档案馆系统建设应以 OAIS 参考模型为设计基础,以实现数字资源的长期保存与可信管理。设计的数字档案馆系统架构如下图。图-1 数字档案馆体系结构数字档案馆建设包括五大层次和三大保障体系:

zuoan1993的博客 1182

一文讲清最近很火的MCP是什么?解锁大模型无限潜能,程序员必学技术!

本文详细介绍MCP(Model Context Protocol)这一由Anthropic推出的AI开放标准协议。MCP采用客户端-服务器架构,标准化了大模型与外部数据源、工具的连接方式,使AI应用能够安全访问本地文件、数据库、API等资源。文章解析了MCP的工作原理、架构组成、与Function Calling和Agent的区别,以及它如何解决大模型数据隔离问题。作为AI领域的"万能适配器",MCP通过标准化接口扩展AI功能,为开发者提供了构建更强大AI应用的可能性。

m0_74942241的博客 1188

QT开发串口程序与单片机通讯

如果有对象对这个信号感兴趣,想要处理的信号和自己的一个函数(称为槽(slot))绑定来处理这个信号。的内容,虽然实现的功能很简单,但是QT上位机开发的步骤基本就是这些步骤,通过这个基础实例把这些套路摸透我们就可以接着进行后续更多QT程序地开发学习了。QWidget类:所有用户界面对象的基类,窗口部件是用户界面的一个基本单元,它从窗口系统接收鼠标,键盘和其他消息,并在屏幕上绘制自己。我们上面运行的上位机都是在Qt Creator中编译运行的,如果我们需要把编写好的可执行文件发送给别人使用的话还需要进行打包。

谢谢大家的关注和点赞!这里只有纯纯的知识干货,没有一句废话。希望能实实在在帮到大家~要是觉得有用,别忘了给我点支持哟,你 948

【AI Agent】2026年9月 AI Agent 全栈开发最新技术面试宝典(含高频+必背+大厂真题)

本文整理了2026年AI Agent全栈开发最新技术面试题,涵盖基础概念、核心框架和系统设计等关键领域。重点解析了AI Agent与普通Chatbot的本质区别(自主闭环执行能力)、Agentic Loop的完整工作流程(规划-执行-观察-评估循环),以及ReAct范式的原理与适用场景。特别强调面试回答技巧:需结合工程实践中的典型问题、处理方案和量化指标,而非简单背诵定义。内容来自字节、阿里等大厂真实面经,适合3-5年经验开发者准备春招面试,突出考察候选人在复杂场景下的技术决策能力。

小江的记录本 4627

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

MCP不是工具,工具也不是MCP:AI Agent落地时别再傻傻分不清!

你是不是也搞混了“调用工具”和“MCP”?这篇文章用最接地气的方式讲清楚:MCP是协议,工具调用是实现;一个定规矩,一个干活。没有工具,大模型就是“无手无脚的聪明脑袋”;没有MCP,工具调用就乱成一锅粥。文末附可运行代码+对比表格,看完你就知道什么时候该用哪个、能不能混用,再也不踩坑!

打造全国最全的AI Agent开发知识领域的博客 1320

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

收藏!7个AI高频概念,小白也能轻松搞懂并提升效率!

本文以日常场景为例,深入浅出地讲解了7个AI相关的高频概念:大模型(LLM)、Prompt、Agent、Skill、MCP、AI IDE(Cursor/Trae)以及Claude Code/OpenCode。文章通过对比和实例,帮助读者理解这些概念的核心区别和实际应用,旨在让即使是小白也能快速掌握并有效利用AI技术,从而在工作和生活中提高效率。

2401_85373691的博客 534

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

2026年AI必懂7大概念:Prompt、Agent、Skill…大白话讲透,小白也能秒会

本文避开晦涩难懂的专业术语,用日常打理生活的通俗场景,拆解2026年最火的7大AI核心概念,把大模型、提示词、Agent、Skill、MCP、AI IDE等术语比作身边的帮手、管家、钥匙,讲清各自含义和区别,还附上实用工具对比、实操案例,手把手教会普通人组合使用AI工具,大幅提升日常效率,零基础小白也能轻松看懂、上手就用。

SpaceAIGlobal的博客 498

一篇文章讲清楚 AI Agent 的核心概念:从 Token、Skill、RAG 到 MCP、SDD 和 Harness 工程

Agent 架构与基础训练机制 Agent 是以大语言模型为大脑的计算实体,它突破了传统“文本生成”的被动模式,具备规划、记忆和工具调用三大核心能力。这种架构使其能够自主拆解复杂任务,通过循环执行和感知反馈,像人类员工一样实现从指令响应到任务闭环的跨越。

m0_59235945的博客 191

几句话讲清楚Agent、LLM、MCP、SKill、RAG、WorkFlow

今天咱们用 5 分钟,把 AI Agent、LLM、Skill、MCP、RAG、Workflow 这些词一次性讲明白。 首先我们先来看一下AI是如何做事情的。

Python_cocola的博客 214
上一篇: RAG对推理没帮助?T3给出了解法,问题不在RAG
下一篇: LangGraph Reducer 深度应用:为什么你的 State 合并总是出问题?
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841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