AI Agent 背后的 8 种 LLM

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

很多人第一次接触 AI Agent 时,都会有一个直觉:

Agent 不就是一个更聪明的大模型吗?

但当你真正把一个 Agent 系统拆开看,会发现它远比“一个模型”复杂得多。

它更像一支数字化团队:
有人负责理解需求,有人负责深度思考,有人负责看图识界面,有人负责调度流程,有人负责执行动作,还有人专门处理低成本的小任务。

也正是在这个意义上,AI Agent 里常会提到 8 种不同方向的 LLM:

GPT、MoE、LRM、VLM、SLM、LAM、HLM、LCM。

它们不是一套完全统一的官方分类,但用来理解 Agent 架构非常好用。
因为它们回答的是同一个问题:

在一个 AI Agent 里,不同模型分别扮演什么角色?

一、GPT:AI Agent 的“通用大脑”

如果说 AI 世界里有一个真正的“基石”,那一定是 GPT。代表模型如:GPT-4、GPT-4o、GPT-5.5。

它的全称叫:Generative Pretrained Transformer。翻译过来其实并不重要。你只需要理解一件事:GPT 的本质,就是一个超级通用的语言理解系统。它可以:

  • 写文章
  • 回答问题
  • 编写代码
  • 总结文档
  • 翻译语言
  • 做知识问答
  • 进行对话

它最大的特点,不是某一个能力特别强。而是:“什么都会一点。”

这也是为什么,几乎所有 AI Agent 的底层,都离不开 GPT 类模型。

因为 Agent 的第一步,一定是:理解用户到底要干什么。

比如你说:“帮我整理一下最近 AI 圈的重要新闻,并做成一份简报。”

Agent 首先必须理解:

  • 什么叫 AI 圈
  • 什么叫重要新闻
  • 什么叫简报
  • 输出格式是什么
  • 是否需要联网

而这一层“语言理解能力”,就是 GPT 最擅长的事情。所以在 Agent 世界里,GPT 更像是整个系统的基础认知中枢。

二、MoE:让 AI 拥有“专家团队”

接下来是现在非常热门的一种架构:MoE。全称:Mixture of Experts。

中文通常翻译为:“专家混合模型”。这个名字其实特别形象。因为它真的很像现实里的专家团队。传统模型有点像:一个人什么都干。而 MoE 更像:不同问题,交给不同专家处理。比如:

  • 数学问题 → 数学专家
  • 编程问题 → 代码专家
  • 翻译任务 → 多语言专家
  • 推理任务 → 逻辑专家

系统会自动判断:当前任务该激活哪些专家。这带来一个非常大的优势:模型可以做得超级大,但推理成本不会无限爆炸。比如一个 MoE 模型总参数可能达到万亿级。但实际每次回答问题时,只激活其中一小部分专家。结果就是:

  • 能力更强
  • 成本更低
  • 推理更高效

为什么很多新一代 Agent 开始偏爱 MoE?因为 Agent 本身就是复杂多任务系统。它既要写代码,又要查资料,还要规划任务、调用工具、处理文档。这种场景特别适合“专家分工”。所以 MoE,本质上是在给 AI Agent 搭建一支专业团队。

三、LRM:真正会“深度思考”的模型

最近一年,AI 圈最核心的变化之一,就是:模型开始越来越会“思考”。

这类模型,被称为:LRM。Large Reasoning Model,中文叫:大推理模型。代表模型:OpenAI o1、Gemini 2.5 Pro、Claude高端系列。它和传统 GPT 最大的区别是:GPT 更像“快速回答”。而 LRM 更像:“先认真想一遍,再回答。”它会:

  • 分步骤思考
  • 自己拆解问题
  • 多轮推理
  • 长链路分析
  • 规划执行路径

为什么这件事重要?因为 AI Agent 最难的地方,其实不是聊天。而是:完成复杂任务。比如:“帮我分析三家 AI 创业公司的商业模式,并输出投资建议。”这不是一句话能完成的。它需要:搜索信息、分析商业逻辑、比较产品定位、判断市场空间、总结优劣势、输出决策建议。

这已经不是简单生成文字。而是真正意义上的“思考”。而 LRM,就是现在 Agent 系统里的核心推理引擎。很多人认为:AI Agent 的上限,本质上取决于 Reasoning 能力。

四、VLM:让 AI 第一次“看见世界”

过去的大模型,有一个非常明显的问题:只能看文字。但真实世界不是文字组成的,网页是图像、Excel 是图像、PPT 是图像、按钮是图像、视频更是图像。于是,VLM 出现了。VLM 的全称是:Vision-Language Model。视觉语言模型。它最大的价值,就是让 AI 不只是“读文本”。而是开始真正“看世界”。比如它可以:

  • 看懂截图
  • 理解网页布局
  • 识别图表
  • 阅读文档
  • 分析 UI 界面
  • 提取图片内容
  • 识别视频画面

这一点,对于 AI Agent 来说至关重要。因为很多 Agent 的最终目标是自动操作电脑。而操作电脑,本质上就需要先看懂界面。所以现在非常火的:

  • Computer Use
  • Browser Agent
  • 自动办公 Agent
  • GUI Agent

背后都离不开 VLM。如果说 GPT 是 Agent 的大脑。那 VLM 更像是Agent 的眼睛。

五、SLM:小模型,才是真正的成本杀手

很多人现在一提 AI,就默认:模型越大越强。但真正做过企业 Agent 的人会发现:很多任务,其实根本不需要超大模型。于是,SLM 出现了。SLM:Small Language Model。小语言模型。它的参数规模通常更小:1B,3B,7B,13B甚至更小几百兆。相比超大模型:它更快、更轻、更便宜。

为什么这件事很重要?

因为 Agent 最大的问题之一,其实是:成本。如果一个 Agent 每执行一步都调用超大模型。成本会非常夸张。所以很多成熟系统会采用:“大模型 + 小模型”协同架构。例如:简单任务先交给 SLM:

  • 分类
  • 摘要
  • 意图识别
  • 关键词提取
  • 数据清洗

只有复杂问题,才调用大模型。这样可以极大降低 Agent 的整体成本。

很多时候真正决定 Agent 能不能商业化落地的。不是模型能力,而是推理成本。而 SLM,恰恰是今天 AI 成本优化里最重要的一环。

六、LAM:AI 从“会说”到“会做”

这是 AI Agent 时代最关键的变化之一。

过去的大模型,本质上只是会聊天。但今天的 Agent 开始进入另一个阶段:真正执行任务。于是出现了一个非常重要的新概念:LAM,Large Action Model。大动作模型。它和传统 LLM 最大的区别是:LLM 负责“生成语言”,LAM 负责“执行动作”。比如:点击按钮、调用 API、自动发邮件、操作浏览器等。你会发现:这已经不是聊天机器人了。而是真正开始“干活”。这也是为什么,现在很多 AI 公司开始疯狂布局:Computer Use Agent。因为 AI 一旦拥有“行动能力”。整个行业会进入全新阶段。未来很多白领工作的核心流程,都可能被 Agent 自动化。而 LAM,本质上就是 Agent 的“手脚”。

七、HLM:让 Agent 学会“管理复杂任务”

很多人低估了一件事:AI 最大的问题之一,不是能力不够。而是:上下文会混乱。任务一复杂,模型就容易:遗忘目标、逻辑漂移、上下文爆炸、重复推理、步骤失控。于是,HLM 出现了,Hierarchical Language Model,层级语言模型。

它的核心思想非常像公司管理结构。CEO 不会亲自执行所有任务。而是:高层负责目标,中层负责拆解,底层负责执行。HLM 也是一样,它会把复杂任务拆成不同层级。例如:最高层: “完成市场调研”;中间层:收集竞品,分析用户,总结趋势;底层:调搜索工具、读网页、整理数据。

这样做最大的好处是:复杂任务终于变得可管理。现在很多 Multi-Agent 系统,本质上都是 HLM 思想。它不是一个模型在干活。而是一个“AI 组织结构”。

八、LCM:AI 的下一阶段,也许是“概念理解”

最后一个方向,比较前沿。它叫:LCM,Large Concept Model,大概念模型。这个方向最核心的目标是:让 AI 不只是预测 token,而是真正理解“概念”。

什么意思?

今天的大模型,本质上仍然是在:一个词接一个词地生成。但人类思考很多时候不是这样。我们往往是:先理解整体概念、再组织语言。

比如你想到“创业公司”,脑子里出现的不是一个个 token。而是一整个概念网络:融资、团队、产品、市场、增长、竞争。

LCM 想做的,就是让 AI 更接近这种“概念级理解”。为什么它可能重要?因为很多 AI 的问题,其实都和 token 预测有关:幻觉、长推理漂移、逻辑不稳定、抽象能力不足。如果未来 AI 真能进入“概念推理阶段”。那 Agent 的认知能力,可能会发生巨大跃迁。虽然今天它还偏研究方向。但很多人认为:LCM 可能代表下一代 AI 的核心路线。

这 8 种模型,在 Agent 里怎么配合?

如果把 AI Agent 看成一个完整系统,这 8 类模型大致可以分成四层:感知层:VLM,负责看图、读界面、理解多模态输入。推理层:GPT、LRM、MoE,负责理解任务、组织语言、做复杂分析。执行层:LAM,负责把结果变成真正的动作。管理层:HLM、LCM、SLM,负责任务拆解、层级组织、轻量处理和概念抽象。

一个真正好用的 Agent,通常不是“一个超强模型单打独斗”,而是这几类能力协同起来。

这 8 种模型,其实分别承担了不同角色。它们之间的关系,大概可以理解为:

  • GPT:负责理解和表达
  • LRM:负责思考和推理
  • VLM:负责感知世界
  • LAM:负责真正行动
  • HLM:负责流程管理
  • MoE:负责专家分工
  • SLM:负责低成本处理
  • LCM:负责更高层概念抽象

举个简单例子:
用户说“帮我整理这份会议截图里的要点,查一下相关背景,然后生成一封发给团队的邮件”。这个过程可能会这样运行:

  • VLM 先看截图,提取内容
  • LRM 负责拆解任务和推理
  • MoE 按任务类型调用擅长模块
  • SLM 先做轻量摘要或分类
  • HLM 负责组织流程
  • LAM 执行邮件发送或文档创建
  • GPT 负责最终文案生成
  • LCM 则有机会在更高层帮助抽象会议主题和概念关系

这就是 AI Agent 的真实样子:不是一个模型,而是一套协作机制。

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

【愚公系列】《AI Agent技术、应用与商业》002-Al Agent的发展历程 在科技迅猛发展的今天,人工智能(AI)已成为推动各行各业变革的重要力量。其中,智能代理(AI Agent)作为AI技术的一个重要分支,正逐渐走入我们的生活并改变我们的工作方式。那么,智能代理的发展历程究竟是怎样的呢?从最初的规则驱动系统到如今的深度学习与强化学习,智能代理的演变不仅反映了技术的进步,也展现了人类对智能化的不断追求。在这篇文章中,我们将带您回顾智能代理的发展历程,探讨其背后的技术突破与应用创新,以及未来可能的发展方向。让我们一起走进这个充满潜力与挑战的领域,领略智能代理如何塑造我们的未来。 阅读详情

相关推荐

无需微调LLM的AI Agent开发框架

AI Agent开发正从依赖大模型微调转向可编程控制范式。传统Fine-tuning面临数据合规、训练成本高、行为不可观测等工程瓶颈,而基于语义解析、决策控制与工具编排的分层架构,让Agent能力演进脱离权重更新。AgentFly通过将LLM限定为结构化意图解析器,配合YAML定义的可调试决策流和标准化工具执行层,显著提升行为可控性与上线效率。该方案特别适用于金融、医疗等强合规场景,以及边缘部署、快速迭代的工业级Agent项目,代表了AI工程化从‘炼丹’回归‘软件工程’的关键路径。

weixin_30598225的博客 405

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

AI编程范式迁移:从LLM到氛围编程再到Agent协同

现代AI编程已超越传统代码补全与聊天机器人范畴,进入以大语言模型(LLM)为基座、以‘氛围编程’为交互形态、以多Agent协同为系统能力的新阶段。其核心原理在于将自然语言意图实时转化为可执行、可验证、可审计的开发动作,依赖上下文感知、低延迟推理与安全沙箱等关键技术支撑。这一范式显著提升工程效率与交付质量,广泛应用于本地开发提效、CI/CD智能调度、自动化代码审查与合规发布检查等真实场景。本文聚焦豆包、cursor、trae、claude code、antigravity、openclaw等代表性工具所承载的

weixin_34320724的博客 516

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

AI开发入门:从Token、LLM到Agent的核心概念与实战避坑指南

在人工智能应用开发领域,理解核心基础概念是构建有效系统的前提。大语言模型(LLM)作为当前AI浪潮的基石,其工作原理基于对文本Token的预测生成。Token不仅是模型处理文本的基本单元,更直接关联到API调用成本与上下文长度限制,是开发中成本控制与性能优化的关键指标。从技术价值看,掌握Token机制能帮助开发者优化提示词设计、避免上下文溢出错误,而理解LLM的预测本质则能更好地进行提示词工程(Prompt Engineering),提升模型输出质量。在实际应用场景中,这些基础知识自然延伸到AI Agent

weixin_30596735的博客 419

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

【科普篇】LLM、GPT、AIGC、AI Agent、Agentic AI 到底是个啥?

相信很多走在科技前沿的人已经尝试将 AI 融入到自己的生活和工作的方方面面了,比如办公、编码、写作、搜索等都可以通过 AI 工具来提效,可以说一旦体验过 AI 带来的提效,你将再也离不开它,它将成为你工作和生活中的得力助手。

m0_48891301的博客 1677

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

【科普解读】LLM、GPT、AIGC、AI Agent、Agentic AI:这些技术到底是什么?

2024年可谓是AI 大模型腾讯的元宝阿里的通义千问字节的豆包百度的文小言月之暗面的Kimi等等可谓是琳琅满目,好不热闹。付一张全景图:相信很多走在科技前沿的人已经尝试将AI融入到自己的生活和工作的方方面面了,比如办公、编码、写作、搜索等都可以通过AI工具来提效,可以说一旦体验过AI带来的提效,你将再也离不开它,它将成为你工作和生活中的得力助手。

2401_84495872的博客 1677

任务导向型 AI Agent:基于 LLM 的目标完成系统

随着人工智能技术的飞速发展,大语言模型(LLM)如 GPT 系列、文心一言等展现出了强大的语言理解和生成能力。然而,单纯的语言交互往往无法满足用户在实际场景中完成特定任务的需求。任务导向型 AI Agent 正是为了弥补这一不足而提出的。其目的在于构建一个基于 LLM 的目标完成系统,能够根据用户给定的任务目标,自动规划并执行一系列操作,最终实现目标。

AI 原生应用开发的博客 961

new delete 详解

常规的new 和 delete 当需要内存时,可以使用new申请内存,但在用完内存时应当使用delete 去归还内存,以防止内存泄漏,具体使用方案见下面代码: int* ps = new int ; // 使用new 申明变量空间 ... ... delete ps ; '// delete 删除所申明的变量空间 上述代码将删除ps 指针指向的内存空间,但不会删除指针本身,即仍然可以使用该指针去指向其他int 类型的变量。new 和 delete 一定需要成对的使用否则极易发生内存泄漏。 注意:不

qq_42138448的博客 6939

深度长文|告别“伪智能体”:LLM只是引擎,造出真正的AI Agent还需要这几大“硬核零件”

AI Agent的浪潮已至,但真正的深海探索才刚刚开始。我们需要跳出将LLM视为全部的“舒适区”,深刻认识到它仅仅是构建未来智能体的强大“引擎”。真正的机遇和挑战在于那些“硬核零件”——如何构建拥有长期记忆和学习能力的。

xx_nm98的博客 1318

一、qt下载与安装

qt与qtcreator 的区别与联系 1、QT Creator只是一个集成的编译器,用于将源代码编译成可执行程序。 QT 是跨平台C++图形用户界面应用程序开发框架,可以简单理解成是一个开发包。 2、Qt是完全面向对象的,很容易扩展,并且允许真正地组件编程。 QT Creator 跨平台的 Qt IDE,Qt Creator 是 Qt 被 Nokia 收购后推出的一款新的轻量级集 ...

yiye_pianzhou的博客 2222

LLM - AI Agent 学习路线图:从 RAG 到多智能体实战

摘要 本文系统介绍了AI Agent的学习路线图,从基础LLM与RAG入门到多智能体实战,分为四个阶段:LLM基础与RAG、Agentic RAG与单Agent决策、多模态与语音Agent、多Agent协作与企业级落地。每个阶段推荐了对应的开源项目和资源,强调通过实践反推知识体系。文章还提供了4-8周的学习规划建议,帮助开发者从工具调用进阶到架构设计能力,最终形成工程方法论。核心在于理解Agent的决策机制、工具生态与落地实践,而非仅停留在Demo层面。

小工匠 3231

android usb读写,安卓(Android)下如何开发USB NFC读写器app

对安卓工程师来说,在安卓下使用USB设备需要了解很多硬件的内容,这可能会导致工程周期的延长或者app的不稳定。为了将这种风险降到最低,友我科技发布了NFC读写器在安卓下的sdk,使用NFC读写器的类接口,安卓工程师就可以直接调用NFC读写器了,简单可靠。NFC读写器的安卓库文件为:yoworfidreader.jar在ADT工程中导入yoworfidreader.jar库文件,即可在工程中引用NF...

weixin_36433781的博客 827

【汽车ECU标定技术解析】DCM文件与A2L、HEX的协同工作机制

本文深入解析了汽车ECU标定中DCM、A2L与HEX三大核心文件的协同工作机制。A2L文件作为定义标定变量地址与规则的“图纸”,DCM文件承载工程师调试后的具体标定数据,最终通过A2L的地址映射,将DCM数据固化生成可刷入ECU的HEX文件,形成完整的标定数据流转闭环。

weixin_29214559的博客 438

从 LLM 到 Agent Skill:AI 核心概念底层逻辑全解析

本文系统梳理了AI领域的核心概念体系,包括LLM(大语言模型)、Token(令牌)、Context(上下文)、Prompt(提示词)等基础组件,以及Agent(智能体)、Tool(工具)、MCP(模型上下文协议)等高级功能模块。文章详细解析了每个概念的定义、技术原理和应用场景,并构建了从底层模型到上层应用的完整架构图。重点阐述了Prompt工程的分层设计、Agent的自主执行能力、以及MCP协议在工具调用中的标准化作用,为理解现代AI系统的运作机制提供了清晰框架。

雨田小哥的博客 720

『杭电1199』Color the Ball

Problem Description There are infinite balls in a line (numbered 1 2 3 ....), and initially all of them are paint black. Now Jim use a brush paint the balls, every time give two integers a b and follow by a char 'w' or 'b', 'w' denotes the ball from a to

漠宸离若的博客 499

从LLM到AI Agent:用n8n构建一站式智能工作流实战

大语言模型(LLM)擅长理解与生成文本,但单靠模型无法完成任务,正如只有大脑却没有手脚。AI Agent将模型、工具调用、记忆与行动流程组合为完整系统,让机器真正“独立干活”。理解Agent的六大核心组件——规划、记忆、工具、执行与反馈,是上手的关键。借助开源工作流平台n8n,我们可以通过可视化节点快速搭建支持订单查询、内容生成等场景的智能助手;结合MCP协议统一工具接口,再引入多模态能力,Agent可处理图片、音频等复杂输入,从“问答机器人”进化为企业级生产力工具。本文从概念拆解到项目落地,给出完整的搭建

weixin_42530570的博客 256

NVIDIA Omniverse 技术浅析(二):USD

例如,一个用户可以负责场景的几何体设计,另一个用户可以负责材质和灯光的调整。USD 的开放性和可扩展性,结合 Omniverse 的 Kit 扩展框架,使得用户和开发者可以创建自定义的应用程序和工具,以满足特定的需求。USD 的材质和物理属性系统,结合 Omniverse 的 RTX 实时渲染技术,使得用户可以在虚拟环境中看到逼真的光影效果和物理模拟。USD 的时间轴和动画功能,结合 Omniverse 的物理属性系统,使得用户可以为虚拟环境中的元素创建复杂的动画和物理模拟。

m0_75253143的博客 447

Windows 下 Claude Code Desktop 安装与使用全记录:从零到一的保姆级图文教程

本文主要介绍了Windows 下 Claude Code 安装全记录:从零到一的保姆级图文教程,希望能对学习使用 Claude Code 的同学们有所帮助。 文章目录 1. 背景 2. 安装Claude Code Desktop 3. 配置第三方API 4. 日常使用

weixin_43178406的博客 8万+
上一篇: 基于 LangChain4j + LangGraph4j 构建达人建联智能体
下一篇: 面试官抓狂:“我的 Claude Code 怎么越用越笨?!“我看了一眼:“不是它笨,是 auto-compact 把记忆悄悄压没了“
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