<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SenseCore的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SenseCore</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SenseCore]]></copyright><item><title><![CDATA[LazyMind v0.2正式发布！｜双击安装，让 AI 从“给出答案”走到“完成交付”]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/163504921</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/163504921</guid><author>SenseCore</author><pubDate>Wed, 05 Aug 2026 15:55:07 +0800</pubDate><description><![CDATA[做到一半才发现受众、范围或格式没有对齐。：周五仍要重新翻记录、整理和去重。：不知道进行到哪一步，也不知道失败后该从哪里继续。：AI 给出一段回答，后面仍要复制、排版和反复修改。：这次确认的格式和偏好，下次还要重新解释。：效果究竟变好还是变差，缺少评测、灰度和回退机制。]]></description><category></category></item><item><title><![CDATA[用AI打造AI应用：Skill + OpenCode 的 LazyLLM开发工程实践]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/162661015</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/162661015</guid><author>SenseCore</author><pubDate>Tue, 07 Jul 2026 14:36:44 +0800</pubDate><description><![CDATA[LazyLLM 是一个面向 AI 应用工程化的通用框架，核心目标不是做一个“再封装一层模型调用的工具”，而是提供一套可编排、可扩展、可组合的能力底座，把 Flow、Agent、RAG、模型推理与微调、Skill 等关键能力统一在同一框架下，让复杂系统可以被结构化拆解和快速搭建。我们关注的不是单点能力的炫技，而是如何让个人和小团队，也能具备构建完整 AI 应用的工程能力。LazyLLM在官网。]]></description><category></category></item><item><title><![CDATA[老板让我训模型，我却外包给龙虾；龙虾学会了，就等于我学会了]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/161865070</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/161865070</guid><author>SenseCore</author><pubDate>Wed, 10 Jun 2026 16:39:32 +0800</pubDate><description><![CDATA[你的角色彻底从“苦守终端敲命令、人工调参的执行者”，转变成了“下达大纲指令、喝着咖啡等图表结果的项目经理”：给小龙虾下达指令➡️Agent 自动读文档、配环境并拉起训练➡️飞书/微信群内喝着咖啡看结果当小龙虾强大的 Agent 调度能力，遇上 From-Data-To-LLM 体系完备的工业级实战脚本，你可以：✅。]]></description><category></category></item><item><title><![CDATA[开源！十人搞定上百项目？揭秘商汤“会自己改算法代码”的智能知识底座]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/161392303</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/161392303</guid><author>SenseCore</author><pubDate>Mon, 25 May 2026 16:02:27 +0800</pubDate><description><![CDATA[不是 RAG 过时了，是你用的 RAG 还停在 2024 年。当别人的知识库能自己改代码、自己跑 A/B 测试、自己进化的时候，你的团队还在手工造问答对和调 topK —— 这差距，只会越来越大。]]></description><category></category></item><item><title><![CDATA[LazyLLM 黑科技 | 给RAG装上C++涡轮：不改接口，性能直接起飞]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/160828740</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/160828740</guid><author>SenseCore</author><pubDate>Thu, 07 May 2026 16:45:00 +0800</pubDate><description><![CDATA[结构上：三层架构清晰解耦。接入上：@cpp_class + @cpp_proxy 双模式兼顾性能与扩展。语义上：优先保持 Python 行为一致，再追求极致性能。路线上：先打核心，再逐步扩大到存储和检索热点。简单说，就是让 RAG 在真实业务里“跑得更快、改得更稳、扩得更久”。欢迎升级体验 LazyLLM 最新版本，请大家去 github 上点一个免费的 star，支持一下～]]></description><category></category></item><item><title><![CDATA[LazyLLM 黑科技 | 一个模型名搞定一切：LazyLLM 如何自动识别模型类型？]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/160564695</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/160564695</guid><author>SenseCore</author><pubDate>Tue, 28 Apr 2026 10:57:28 +0800</pubDate><description><![CDATA[简单的一句背后，包含了 LazyLLM 对多模型生态乱象的深入思考与抽象。通过环境感知、精确映射、正则嗅探与责任链机制，我们替开发者扛下了所有恶心的脏活累活。这就让 LazyLLM 的应用具有了极强的重构能力与生命力。把复杂留给框架，把简单还给业务，这就是 LazyLLM 构建 AI 应用的哲学。欢迎升级体验 LazyLLM 最新版本，请大家去 github 上点一个免费的 star，支持一下～]]></description><category></category></item><item><title><![CDATA[LazyLLM黑科技｜Claude写完代码上线就崩？那是缺了状态治理]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/160374366</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/160374366</guid><author>SenseCore</author><pubDate>Thu, 23 Apr 2026 11:00:00 +0800</pubDate><description><![CDATA[AI 助手能帮你写出工整的逻辑，却无法凭空变出稳固的底层架构。LazyLLM 给“会聊天”的 AI 助手喂了一套“会干活”的工业级规约。从此，你负责业务创意，LazyLLM 负责帮你守住并发与隔离的底线。你在用 AI 助手写 Agent 时，被哪些“玄学 Bug”坑过？欢迎在评论区分享你的“惨痛经历”。想深度拆解这套“自动隔离”背后的底层魔法？观看下方内容——硬核分享：LazyLLM状态管理源码剖析。]]></description><category></category></item><item><title><![CDATA[LazyLLM黑科技 | LazyLLM Launcher：优雅解决异构算力平台的部署难题]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/160115597</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/160115597</guid><author>SenseCore</author><pubDate>Tue, 14 Apr 2026 14:45:28 +0800</pubDate><description><![CDATA[对于用户自己注册的组件，同样可以无缝接入 Launcher 体系。inputinput# 1. 本地直接运行# 2. 指定使用 SCO (Sensecore) 云平台 Launcher 运行input is 1开发者在编写业务逻辑时，完全不需要关心代码最终会在哪里运行。当需要将某个组件（如模型推理服务）部署到集群时，只需在实例化或调用该组件时，通过或注入对应的启动器。LazyLLM 会自动接管后续的命令组装、环境配置、任务提交和日志回传。]]></description><category></category></item><item><title><![CDATA[LazyLLM黑科技 | 一条 pipeline 为什么能自己把服务全拉起来？聊聊 Flow 的设计之道]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/159923010</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/159923010</guid><author>SenseCore</author><pubDate>Tue, 07 Apr 2026 15:34:10 +0800</pubDate><description><![CDATA[如果只把 LazyLLM 的Flow看成一个更好写的 pipeline，就低估它了。它真正解决的是：当 AI 应用从 Demo 走向工程化部署时，如何把数据流编排、参数透传、模块发现、服务启动和服务发现，统一进同一个抽象里。用Flow组织算法链路；用Bind组织参数关系；用把整条链路接入部署体系。所以，Flow 在 LazyLLM 里从来不只是“数据管道”，而是 AI 应用从原型走向工程系统的一座桥。]]></description><category></category></item><item><title><![CDATA[LazyLLM黑科技 | 同一个方法，结果却完全不同？问题竟然出在“谁调用”]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/159798671</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/159798671</guid><author>SenseCore</author><pubDate>Fri, 03 Apr 2026 16:32:23 +0800</pubDate><description><![CDATA[但问题在于，这两种操作，写法往往是一样的，于是就很容易出现这种情况：本来只是想改当前对象，结果把全局改了；通过这个例子，你可以更直观的感受到 @DynamicDescriptor 在你的真实代码中能起到什么作用，可以充分利用它对调用者的感知能力，优化整体类和函数的设计。因此，被 DynamicDescriptor 修饰的方法，可以统一写成如下写法，而不需要提前决定它是实例方法还是类方法。针对这个问题，真正的难点，其实不在于实现两种行为，而在于如何在不增加接口复杂度的前提下，让系统能够感知调用主体。]]></description><category></category></item><item><title><![CDATA[LazyLLM黑科技 | 你的框架想“隐身”？聊聊 LazyLLM 的配置体系设计哲学]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/159207291</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/159207291</guid><author>SenseCore</author><pubDate>Wed, 18 Mar 2026 15:01:58 +0800</pubDate><description><![CDATA[config读取环境变量时，会在前面加一个默认的前缀LAZYLLM_，比如上文中的CUDA_VISIBLE，使用环境变量设置时就要export LAZYLLM_CUDA_VISIBLE=xxx。**依赖逆置：**config本身是框架的底层模块，是其他业务模块的依赖，但是如果在config模块中要感知上层模块要配置什么类型的默认值，感知上层模块的业务，就打破了分层。：所有已注册的配置，统一进入 `lazyllm.config`，调用方只管 `lazyllm.config[“xxx”]`，不关心配置来自哪。]]></description><category></category></item><item><title><![CDATA[LazyLLM黑科技 | 不装全家桶也能跑？LazyLLM 的按需动态加载方案]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/158887915</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/158887915</guid><author>SenseCore</author><pubDate>Tue, 10 Mar 2026 16:46:31 +0800</pubDate><description><![CDATA[通过上面的介绍，相信你已经对 LazyLLM 这套"按需加载 + 集中检查"的依赖管理思路有了更直观的认识：不用的能力不必提前安装，真正用到时再一次性把依赖校验清楚，并给出可直接执行的安装指令。如果你也在维护一个功能模块多、依赖差异大的 Python 项目，这种设计思路通常会带来非常实际的收益：启动更快、环境更稳、问题暴露更早，用户使用门槛也更低。通过__getattr__ 实现动态加载用户想要加载的子模块，在模块名合法的情况下动态调用该子模块内部的依赖加载流程，能让用户省略子模块路径。]]></description><category></category></item><item><title><![CDATA[LazyLLM黑科技 | 拒绝机翻，如何实现中英双语的API文档？]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/158581011</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/158581011</guid><author>SenseCore</author><pubDate>Tue, 03 Mar 2026 11:26:44 +0800</pubDate><description><![CDATA[LazyLLM 的文档方案通过“]]></description><category></category></item><item><title><![CDATA[LazyLLM黑科技 | 继承就能自动注册？元类注册机制深度解析]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/158500147</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/158500147</guid><author>SenseCore</author><pubDate>Sat, 28 Feb 2026 14:31:22 +0800</pubDate><description><![CDATA[无论是类模块还是函数模块，底层都走同一套自动注册逻辑，所有模块统一纳入同一个命名空间进行管理。整体机制可以概括为两种模式：“]]></description><category></category></item><item><title><![CDATA[从“会聊”到“会干活”：LazyLLM + Skills 实战指南]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/158349978</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/158349978</guid><author>SenseCore</author><pubDate>Tue, 24 Feb 2026 15:06:55 +0800</pubDate><description><![CDATA[很多团队做 Agent 都会经历同一个阶段：Demo 很快，落地很慢。新需求一来，就要重写 Prompt、重配工具、重测流程；场景一变，之前的能力几乎无法直接复用。看起来 Agent 已经能对话、能执行，但距离稳定交付，还缺一套可沉淀、可复用、可协作的能力组织方式。这正是 Skills 的价值：用自然语言描述任务能力，并结合可复用的文档与脚本，把能力封装成模块——像插件一样安装、复用、迭代。在 LazyLLM 最新版本（v0.7.5）中，你可以通过 LazyLLM 让自己的 Agent 快速接入 Skill]]></description><category></category></item><item><title><![CDATA[拆解 LazyLLM：10 个你可能忽略的工程黑科技]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/157647183</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/157647183</guid><author>SenseCore</author><pubDate>Mon, 02 Feb 2026 11:41:05 +0800</pubDate><description><![CDATA[如果你一路看到这里，说明你大概率已经在真实工程里和大模型打过交道了。后续文章里，我们会继续拆解更底层的东西：为什么要这样设计、当时有哪些取舍、哪些地方其实还在不断演进。如果你对这些工程细节感兴趣，欢迎持续关注。Lazy 的黑科技，等你来一起揭秘~欢迎升级体验 LazyLLM最新版本，请大家去github上点一个免费的star，支持一下～]]></description><category></category></item><item><title><![CDATA[一行代码到生产级应用！LazyLLM Agentic 应用开发快速上手]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/157395726</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/157395726</guid><author>SenseCore</author><pubDate>Mon, 26 Jan 2026 15:42:24 +0800</pubDate><description><![CDATA[无论是简单的任务执行，还是多工具协同的复杂场景，都能以。通过统一的OnlineModule，一行代码即可调用文本生成、视觉模型、Embedding向量、文生图等各类模型，切换厂商或模型类型无需修改核心逻辑，极大降低试错成本。一行代码搞定大模型应用：从环境安装、API密钥申请，到模型调用、RAG系统搭建、Agent创建，全程代码演示，手把手教大家快速落地AI应用。以RAG系统为例，仅需十余行代码，即可完成文档解析、切片入库、多路检索、结果重排、模型生成的全流程搭建，结构清晰且可灵活调整。]]></description><category></category></item><item><title><![CDATA[实操指南 | LazyLLM × PPIO： 一站式构建 Multi-Agent]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/157395072</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/157395072</guid><author>SenseCore</author><pubDate>Mon, 26 Jan 2026 15:15:19 +0800</pubDate><description><![CDATA[为应用开发过程中的全部环节（包括应用搭建、数据准备、模型部署、模型微调、评测等）提供了大量的工具，协助开发者用极低的成本构建AI应用，并可以持续地迭代优化效果。LazyLLM的一站式工具链配合PPIO的算力底座，为AI应用开发提供了一条“即开即用”的捷径。成功安装LazyLLM后，您可以在命令行中使用lazyllminstallxxx的命令，以针对不同的使用场景安装响应的依赖。目前，双方的适配已全面上线，欢迎各位开发者即刻接入体验，我们期待看到更多富有创造力的智能体应用在这一生态中诞生。]]></description><category></category></item><item><title><![CDATA[LazyLLM v0.7.1 重磅发布 | 智能体、RAG 与生态全面跃迁，报错体验史诗级提升]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/156425139</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/156425139</guid><author>SenseCore</author><pubDate>Tue, 30 Dec 2025 16:15:10 +0800</pubDate><description><![CDATA[LazyLLM v0.7.1 相较于 v0.6.1 实现了重大飞跃，在。]]></description><category></category></item><item><title><![CDATA[LazyLLM教程 | 第19讲：高阶RAG：基于知识图谱的RAG]]></title><link>https://blog.youkuaiyun.com/SenseCore/article/details/155745478</link><guid>https://blog.youkuaiyun.com/SenseCore/article/details/155745478</guid><author>SenseCore</author><pubDate>Mon, 15 Dec 2025 11:58:42 +0800</pubDate><description><![CDATA["知识图谱作为结构化知识的代表，正在深刻改变我们获取和利用信息的方式。在本文中，我们将从基础概念出发，首先解析。]]></description><category></category></item></channel></rss>