- 博客(290)
- 资源 (12)
- 收藏
- 关注
RSS订阅原创 Agent开发总结学习
摘要：Agent从基础API调用到智能行动体的进化路径揭示了其核心能力：思维链（CoT）拆解任务、自我反思改进执行、规划能力确保目标导向、工具使用打破知识局限。相比Chatbot，Agent通过"思考→行动→观察"闭环实现动态可靠的结果输出，其理论根基源于控制论的反馈机制和信息论的熵减原理。开发者角色正向"流程架构师"转型，需设计认知工作流、工具集和决策上下文。未来Agent将向智能工作流编排、多Agent协作和即时代码生成等方向发展，突破现有能力边界。
2025-12-04 21:58:34
470
原创 Manus 10、11月更新日志
Manus近期发布多项重要更新：1）11月18日推出浏览器操作器，可在现有标签页中自主执行任务；2）11月12日集成Stripe支付测试功能；3）10月16日发布Manus 1.5版本，任务完成速度提升4倍，支持"无限上下文"处理和全栈Web应用开发，能通过单条提示生成含后端、数据库和用户认证的完整应用。新版本还引入团队协作功能和集中式资料库，但需注意"无限上下文"实际指显著扩展的有效工作集，使用时仍需优化上下文管理策略。
2025-11-30 11:16:09
579
原创 Python应用swap利用率过高排查
本文解答了Linux系统中内存与swap的10个关键问题，特别针对Python应用场景。主要内容包括：swap的本质与作用；内存水位线机制与OOM触发条件；kswapd回收机制；swap大小的合理配置；Python应用swap问题的诊断方法（py-spy、smem等工具使用）；以及临时应急措施与根治方案。重点指出swap应作为应急机制而非日常使用，并提供了实用的命令行工具组合和问题排查流程。
2025-11-23 19:44:01
287
原创 生产级Agent落地补充工作总结
本文总结了生产级Agent落地的关键工作，分为三类：基础架构强化类（上下文管理、状态管理、分层设计）、工程化落地核心类（可复现性保障、可观测性构建、安全合规、日志调试）和运维与优化类（性能优化、容错机制、持续迭代）。通过架构分层、数据加密、异常检测等措施，确保Agent的精准性、可维护性和安全性；建立监控告警、日志回放等机制提升问题定位效率；优化上下文压缩、工具调用等方案降低延迟和成本。整套方案旨在实现Agent的高效稳定运行，满足生产环境需求。
2025-11-17 10:50:42
405
原创 LangMem 三种记忆类型学习总结
文章摘要： LLM智能体的记忆系统可分为三类：情景记忆（原始对话记录）、语义记忆（抽象化知识）和程序性记忆（行为模式）。这三类记忆呈现明确的衍生关系：情景记忆作为基础，语义记忆和程序性记忆从中提炼而出。情景记忆存储具体对话，语义记忆整理用户偏好和事实，程序性记忆固化任务流程。三者协同实现个性化、智能化的交互。工程实践中建议优先构建语义记忆，选择性使用情景记忆检索，并将程序性记忆融入系统架构。随着自我反思技术的发展，智能体将实现从简单存储到自主学习的进化，完成记忆系统向智能系统的关键跃迁。（150字）
2025-11-13 14:50:07
363
原创 Mem0 使用案例学习总结 - 记忆化应用结构
本文介绍了一个完全本地化的Mem0应用实现方案，使用Chroma作为向量数据库，Ollama提供LLM和Embedding能力。方案包含四个步骤：安装依赖、准备本地模型、编写示例代码和运行程序。配置中使用llama3.2作为LLM模型，nomic-embed-text作为嵌入模型，所有数据持久化存储在本地文件中。该方案无需外部服务，仅依赖Python环境和Ollama，实现了轻量级、可本地运行的记忆管理功能，适合开发和单机部署场景。
2025-10-26 22:32:28
515
原创 Mem0:构建具有可扩展长期记忆的生产级AI代理 - 论文学习总结2
摘要：本文提出Mem0与Mem0g两种互补记忆架构，解决大语言模型长程对话中的事实一致性问题。Mem0通过增量更新稠密文本片段实现高效查询，Mem0g额外引入图记忆支持时序推理。在LOCOMO基准测试中，二者在单跳/多跳任务上精度提升5-11%，延迟降低85-92%，存储占用比商业方案减少两个数量级。实验表明，该架构通过"先压缩-再结构化"范式，在保持低延迟（Mem0 1.44s p95）的同时实现高效记忆管理，为持久智能体发展奠定基础。未来将优化图遍历、探索分层记忆机制并扩展多模态应用
2025-10-26 21:47:36
427
原创 Mem0:构建具有可扩展长期记忆的生产级AI代理 - 论文学习总结1
摘要： 大语言模型（LLMs）在长期对话中面临上下文窗口固定导致关键信息丢失的核心问题，表现为遗忘用户偏好、任务进度混乱及跨主题信息淹没。研究提出Mem0（动态提取关键信息）和Mem0g（基于图的增强版）两种内存架构，在LOCOMO基准测试中全面优于现有方法：单跳/多跳问题准确率提升26%，延迟降低91%，节省90%token成本。实验证明结构化内存机制能有效维护对话连贯性，为构建可靠AI助手提供新方向。
2025-10-25 21:21:11
812
原创 LangGraph 源码学习总结 3-单结点图的执行分析
本文拆解了LangGraph的"三步"执行模型，通过官方文档、示例代码和源码分析揭示了其核心机制。该模型基于Pregel/BSP算法，将图计算分为三个循环阶段：Plan阶段筛选待执行节点，Execution阶段并行运行节点（只收集写请求不实际更新），Update阶段集中写入通道数据并更新版本号。示例展示了单节点图的完整执行流程，源码分析定位了关键实现位置。三者印证了LangGraph通过分离计算与写入、批量同步更新的设计理念，实现了高效的图计算执行。
2025-10-19 21:36:11
359
原创 LangGraph 源码学习总结 2-图计算模型
本文探讨了BSP模型、Pregel和LangGraph之间的思想传承与演变。BSP模型提出"超步"概念，通过计算-通信-同步循环实现并行计算；Pregel将这一思想应用于大规模图计算，以顶点为中心进行迭代处理；LangGraph则继承了"超步"概念，但将其转化为面向AI工作流的控制流模型，通过状态机循环实现智能体工作流编排。虽然三者都采用迭代执行模式，但LangGraph更注重顺序决策而非并行计算，体现了经典计算模型在不同领域的适应性创新。
2025-10-19 20:14:46
728
原创 构建基于大语言模型的智能数据可视化分析工具的学习总结
本文总结了构建基于大语言模型(LLM)的智能数据可视化分析工具的关键技术与实现路径。首先介绍了Python数据分析的标准流程和核心工具(pandas、可视化库)，重点阐述了LLM驱动系统的四大模块：自然语言接口、数据上下文增强、安全代码执行和交互式输出。通过对比Streamlit、Gradio、Panel等Web框架的特性，提出了从MVP到生产部署的渐进式实现方案，包括使用RAG增强、沙箱隔离和本地LLM集成等关键技术。该方案能有效实现"自然语言驱动"的数据分析，快速生成可交互的可视化洞
2025-10-18 21:56:31
861
原创 LangGraph 源码学习总结 1-Graph结构
本文解析了PregelProtocol、Pregel、CompiledGraph和CompiledStateGraph的架构层次关系：PregelProtocol定义基础接口；Pregel作为通用执行引擎实现协议；CompiledGraph简化图定义；CompiledStateGraph增加状态管理。重点剖析了Channel机制，它是通过订阅/写入实现节点间数据流的核心组件，以声明式方式隐式构建DAG。示例展示了如何使用Pregel创建单节点图，通过Channel实现数据在节点间的流动。整个架构实现了从底层
2025-10-17 20:55:54
724
原创 GraphRAG 与 Neo4j 社区版：能力边界与适用场景学习总结
摘要： GraphRAG结合Neo4j社区版能有效构建中小规模知识图谱，适用于开发测试或内部知识库，但存在单机部署、无高可用等限制。企业级需求（如超大规模图、多租户隔离）需升级至企业版或选用分布式图数据库。社区版满足功能需求，但需根据业务规模、可用性要求选择技术栈。
2025-10-15 22:25:11
628
原创 构建具备长期记忆的智能体：Mem0 与 LangGraph 整合学习总结
本文系统介绍了Mem0智能记忆层与LangGraph的深度整合方法。Mem0作为AI Agent的认知记忆系统，与LangGraph的Checkpointer形成互补，前者负责长期个性化记忆，后者管理流程状态。相比LangMem等轻量级方案，Mem0采用混合架构（向量+图+键值），支持自动记忆提取、去重和演化。文章详细解析了Mem0的四类记忆模型（工作/事实/情景/语义记忆），提供了本地部署的5步实施指南，并演示了如何在LangGraph中嵌入记忆逻辑。最后，文章列举了Mem0在个性化助手、智能客服等场景的
2025-10-14 17:17:35
847
原创 智能体模式（Agent Mode）与深度研究（Deep Research）概念学习
ChatGPT的智能体模式（Agent Mode）与深度研究（Deep Research）代表了AI协作的两种范式。智能体模式专注于任务执行，通过自主拆解目标、调用工具完成自动化流程，适用于客户支持、销售运营等场景。深度研究则强调系统性分析，通过多源信息采集、逻辑验证生成结构化报告，适用于战略决策、市场分析等场景。二者可互补使用：深度研究提供洞察，智能体模式执行方案。选择时需考虑目标类型（执行/理解）、风险容忍度和任务频率。这两种模式共同推动AI从工具向智能协作者进化，提升团队效率与决策质量。
2025-10-05 20:48:56
1313
原创 Python 代码执行方案学习总结
本文系统梳理了Python生态中执行不可信代码的沙箱方案，从高风险语言层工具到生产级隔离平台。高风险方案如PythonREPL仅封装exec()，无安全隔离；中等安全方案如LangChain的Pyodide沙箱利用WebAssembly实现浏览器级隔离；生产级方案包括基于容器的开源项目llm-sandbox和企业级平台Daytona。文章对比了各方案的隔离级别、启动速度、多语言支持和安全性，建议生产环境必须使用系统级隔离，优先选择成熟平台，并遵循最小权限原则。安全沙箱是构建可信AI应用的基础设施。
2025-10-05 15:52:59
971
原创 容器技术基础概念学习记录
本文介绍了容器引擎Podman的核心特性及其与虚拟机的区别。Podman采用无守护进程架构和Rootless模式，具有更高安全性和更低资源占用。容器与虚拟机存在本质差异：容器共享宿主机内核，通过命名空间和Cgroups实现进程隔离，而虚拟机则通过Hypervisor实现硬件级隔离。现代主流架构采用"VM+容器"混合模式，兼顾安全性和资源效率。Podman的特性代表了容器技术向更安全轻量发展的趋势，而混合架构则平衡了基础设施标准化与容器敏捷性优势。
2025-10-04 20:33:23
826
原创 python模块导入冲突问题笔记
摘要 项目遇到模块导入冲突问题： 『src/mcp』本地模块与第三方第三方库同名。PyCharm Debug 启动时因自动将项目路径添加到sys.path前面，导致优先级错误加载本地模块，引发循环导入。通过分析sys.path差异，发现Pyaid的配置导致路径优先级问题。提供三类解决方案：1）重命名本地模块；2）调整PyCharm配置；3）sk.path优先级。最终采用方法二调整配置，解决了模块冲突问题，确保项目在uv run和PyCharm Debug下均能正常启动。
2025-10-01 21:45:07
436
原创 python中Pydantic学习笔记
Pydantic 教程摘要： Pydantic 是基于 Python 类型提示的强大数据验证库，通过继承 BaseModel 创建数据模型。它具有自动类型转换（如字符串"123"转整数）、严格数据验证和嵌套模型支持等特性。核心功能包括：1）基础模型定义与字段类型声明；2）使用 Field 配置额外验证规则；3）支持复杂嵌套结构（列表/多层嵌套）；4）提供字段级(@field_validator)和模型级(@model_validator)自定义验证器。相比普通类，Pydantic 能自动
2025-09-25 21:40:42
973
原创 React 标准 SPA 项目 入门学习记录
React是一个用于构建用户界面的JavaScript库，由Facebook开发，采用组件化思想，具有虚拟DOM、单向数据流和JSX语法等特点。标准React SPA项目结构包含唯一HTML入口和模块化组件设计。核心概念包括JSX语法、函数组件、useState状态管理、useEffect处理副作用以及条件/列表渲染。文中通过一个简单的待办事项应用实例，演示了如何实现添加、删除功能，并介绍了进阶概念如CSS Modules、React Router路由和状态管理方案。文章还总结了React核心概念对比表，为
2025-09-23 21:41:43
791
原创 LangGraph中结点并行执行
LangGraph通过并行执行机制优化工作流性能，支持节点的并行执行。其核心概念是"超级步"（superstep），当一个节点有多个出边时，所有目标节点会在下一个超级步中并行执行。案例模拟了天气API和新闻API两个并行工具节点，通过异步操作展示并行效果。状态定义中使用列表收集并行结果，通过扇出机制从起始节点触发两个并行任务，最终聚合输出。执行结果显示总耗时仅约5秒，验证了并行机制的有效性。该框架适用于需要并行处理的无依赖节点场景，可显著提升工作流效率。
2025-09-08 16:40:02
458
原创 基于LLM开发Agent应用开发问题总结
本文总结了智能体(Agent)应用开发中的六大常见问题及应对策略。核心内容包括：1)根据任务复杂度、工具数量等选择单Agent或多Agent架构；2)避免过度依赖对话交互，采用GUI与自然语言混合界面；3)避免将AI强行嵌入旧系统，应重构流程；4)根据业务场景选择合适模式，避免盲目使用高级模式；5)在信息不足时延迟意图分类；6)提供清晰准确的工具定义。文章强调架构设计需遵循"分治+高内聚低耦合"原则，并针对不同问题提供了具体解决方案，如权衡中心化与去中心化协同机制、模块化设计等。
2025-09-06 22:15:40
810
原创 OpenAI接口学习之finish_reason
OpenAI API响应中的finish_reason字段表示生成结束原因，主要有三种类型：stop（自然完成）、length（达到token限制）、content_filter（内容被阻止）。max_tokens参数用于限制生成的token数量，不同模型有不同上限（如GPT-4o支持16,384 tokens）。当遇到finish_reason=length时，可调整max_tokens值解决。在LangChain框架中若出现异常，可尝试使用BaseChatOpenAI替代ChatOpenAI。
2025-07-29 10:38:43
810
2
原创 UV包管理学习 - 解决Python包线上线下版本不一致的问题
摘要：本文针对线上环境与本地测试结果不一致的问题，分析原因是依赖版本管理不规范导致。提出通过锁定版本保证环境一致性：1)开发阶段用pyproject.toml声明兼容范围，生成精确的uv.lock锁文件；2)必须提交这两个文件；3)生产环境使用uv install --locked严格安装锁定版本。同时规范了依赖更新流程，对比了正确做法与常见错误。该方案兼顾开发灵活性和生产稳定性，有效解决环境不一致问题。（149字）
2025-06-30 17:21:45
727
原创 AI Agent应用方向学习总结
AI Agent领域涌现四大核心方向：1）垂直行业深度应用，如金融合规、工业质检等专用Agent开发；2）技术创新，聚焦多Agent协作、边缘计算与轻量化部署；3）新兴商业模式，包括Agent即服务（AAaaS）和超级个体赋能工具；4）生态基建，涉及协议标准、安全伦理等。未来爆发点在于具身智能、多模态融合及群体智能网络。建议优先切入高价值场景（ToB如工业维护）、体验升级（ToC如教育Agent）或参与开源生态建设，差异化竞争需依托数据资产与工程化能力。
2025-06-20 15:17:27
553
原创 GAIA（General AI Assistants Benchmark）
GAIA基准测试评估AI助手在真实场景中的综合能力，包含基础（单步任务）、中级（多工具协同）和高级（开放式规划）三个难度层级。测试用例强调多模态处理（文本/图像/音频）、强制工具调用（搜索/API/代码）和标准化答案设计，避免预训练记忆干扰。与传统基准相比，GAIA更关注现实任务（如医疗诊断）而非抽象推理，并支持动态难度调整。该基准包含466个结构化问题，为评估通用AI提供更贴近实际应用的测试框架。（注：摘要严格控制在150字内，提炼了原文核心要素：测试层级划分、设计原则、对比差异和数据来源）
2025-06-18 01:36:30
944
原创 Prompt工程学习之思维树（TOT）
定义：思维树（Tree of Thoughts, ToT） 是一种先进的推理框架，它通过同时探索多条推理路径对思维链（Chain of Thought）** 进行了扩展。该技术将问题解决视为一个搜索过程 —— 模型生成不同的中间步骤，评估这些步骤的可行性，并探索最有希望的路径。Tree of Thoughts (ToT) 是一种大语言模型推理框架，通过树状结构探索多条推理路径，允许模型自我评估路径可行性并回溯调整，模拟人类解决复杂问题时的 “试错 - 评估 - 选择” 过程。目标：解决传统 LLMs 逐 T
2025-06-08 22:24:55
877
原创 Prompt工程学习之自我一致性
文章摘要：自我一致性（Self-consistency）是一种提升大语言模型推理准确性的技术，通过生成多样化推理路径并聚合结果来解决输出的可变性问题。其核心步骤包括：1）对同一问题采用不同采样设置生成多条推理路径；2）通过多数投票选择最一致答案。该方法替代了传统的贪心解码，特别适用于复杂推理任务。案例展示了在邮件分类中的应用：通过5次不同推理的分类结果，采用多数投票确定最终分类。研究表明，自洽性技术能有效提升语言模型在复杂任务中的表现（参考arXiv:2203.11171）。
2025-06-08 21:19:25
736
原创 MCP协议学习
MCP协议：大语言模型与外部工具的标准化桥梁 Anthropic公司于2024年推出MCP（Model Context Protocol），旨在统一大语言模型（如GPT-4）与外部数据源/工具的交互标准。该协议采用分层架构（Host-Client-Server）和JSON-RPC 2.0通信规范，支持多模态数据传输，涵盖三大核心交互阶段（初始化、操作、关闭）。MCP提供多种传输方式（stdio/HTTP/WebSocket）适配不同场景，并通过严格的权限控制确保安全性，同时内置请求取消、进度跟踪等实用机制。
2025-06-02 21:49:33
1163
原创 问题分析方法论之5W2H
5W2H方法论是一种结构化的问题分析工具，通过提出“是什么、为什么、谁、何时、在哪里、如何、程度如何”七个维度的问题，帮助全面、系统地分析问题。其核心价值在于避免片面性、挖掘深层次原因、提供结构化思路和支持决策制定。该方法论适用于多种场景，如问题诊断、项目管理、社会科学研究和个人问题解决。在实际应用中，可以结合数据与事实、层层追问、多角度思考和动态调整等技巧提升效果。尽管5W2H方法论具有普适性和实用性，但在复杂场景中可能存在局限性，需结合其他分析工具进行补充。总体而言，5W2H方法论是一种简便有效的分析工
2025-05-18 17:18:05
1265
原创 Saas、Paas、Faas、Baas的概念学习与对比
PaaS：提供一个平台供开发者使用，用于开发、测试和部署应用程序。BaaS：提供后端服务，使开发者能够快速集成应用所需的后端功能。FaaS：作为一种无服务器的计算方式，提供函数作为服务。SaaS：最高层次，直接提供软件作为服务。
2025-04-23 15:21:24
1350
原创 大语言模型减少幻觉的常见方案
大语言模型的幻觉（Hallucination）是指模型在生成文本时，输出与输入无关、不符合事实、逻辑错误或完全虚构的内容。这种现象主要源于模型基于概率生成文本的本质，其目标是生成语法合理、上下文连贯的文本，而非严格追求事实准确性。
2025-04-18 20:41:09
1240
原创 软件开发中的YAGNI原则
YAGNI是一个原则，鼓励开发人员在功能或特性明确被需要之前避免将其添加到系统中。该原则基于这样的前提：添加不必要的功能可能导致复杂性增加、开发时间延长，以及可能产生更多的bug。相反，开发人员应该专注于提供符合当前需求的最简单解决方案。YAGNI原则在软件开发的各个方面都具有价值。它提倡简单性，减少不必要的复杂性，并帮助团队专注于交付基本功能。通过应用YAGNI，开发人员可以提升生产力、可维护性及整体项目成功。然而，重要的是要保持平衡，不要误将YAGNI作为忽视前瞻性或架构考虑的借口。
2025-03-28 00:59:27
1064
原创 Gini系数的应用 - 指标波动贡献分析
波动贡献值 = (维度值的波动值 / 整体波动) × 100。通过基尼系数，可以快速判断哪个维度更可能是导致指标异常的根源。我们需要计算每个维度下各维度值对整体销售额波动的贡献值。对于每个维度值，计算其本期销售额与上期销售额的差值。，且已按从小到大排序。根据波动贡献值，可以计算每个维度的基尼系数。
2025-03-10 20:38:54
1453
原创 大语言模型微调的基本概念介绍
大型语言模型（LLM）微调是指在预训练模型的基础上，进一步使用较小且特定的数据集进行训练，以提升模型在特定任务或领域的能力和性能。微调的目的在于将通用模型转变为专业化模型。它弥合了通用预训练模型与具体应用独特需求之间的差距，确保语言模型更好地符合人类的期望。以OpenAI的GPT-3为例，这是一种设计用于广泛自然语言处理（NLP）任务的先进大型语言模型。假设某家医疗机构希望使用GPT-3帮助医生从文字记录中生成病人报告。
2025-03-02 21:07:44
809
原创 基于时间序列的预测方法进行异常值检测概述
与时间相关的数据分析和预测问题指数据的变动与时间的变化密切相关。具体来说，这类问题的核心在于数据的观测值随时间推移而变化，并且这种变化可能呈现出一定的规律性或受特定时间或事件的影响。时间序列预测方法正是为了解决这类问题而设计的，帮助我们从历史数据中提取规律，并预测未来的变化。
2025-02-23 21:35:13
1295
原创 大语言模型Agent
LLM Agent是一种高级人工智能系统，专为创建需要顺序推理的复杂文本而设计。它们可以进行前瞻性思考，记住过去的对话，并根据需要的情境和风格使用不同的工具来调整其回应。考虑一个在法律领域的问题，如下所示：“在加利福尼亚，某种类型的合同违约可能产生的法律后果是什么？一个带有检索增强生成（RAG）系统的基本LLM可以轻松地从法律数据库中获取所需信息。在这种情况下，当项目需要顺序推理、规划和记忆时，LLM代理就会发挥作用。对于这个问题，代理可以将其任务分解为如下子任务。
2025-02-18 01:49:20
1111
WxWidget教程
2015-09-13
FASTJSON那些事.pptx
2019-09-22
软件项目管理的九阴真经
2013-10-04
《Visual C++音频/视频技术开发与实战》前9章源码
2013-05-13
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人