董厂长-优快云博客

原创 Agent 的未来属于 Harness，而不只是更强的模型

<think>我们根据内容生成不超过150字的摘要。内容核心：Agent可靠性比模型能力更重要；需要Harness系统，包含验证前提、发现上下文、规划-执行分离，降低模型自由度，提高系统可靠性。摘要需简洁、信息密度高。可以写：文章强调Agent的未来在于系统可靠性（Harness），而非仅模型能力。能力测试假设世界诚实，真实任务需验证前提、发现隐藏上下文、对抗信息衰减，且长任务错误会传播放大。通过强模型规划、弱模型执行，将开放式推理转为受限执行，降低错误风险和自由度，提升系统整体可靠性。检查字数。写个1

2026-09-04 15:36:35 463

原创 AI 智能体评测解密：如何为 Agent 构建可靠、可演进的评测体系

7. 评测中的常见陷阱与缓解方法 7.1 测试数据泄漏问题：Agent 可能通过训练数据记忆或测试数据中的模式投机取巧，而非真正解决问题。缓解：使用私有或模拟数据、定期更新测试集、检查模型是否过度依赖特定提示词模式。 7.2 评分器被绕过问题：Agent 可能学会生成符合评分器规则但实际错误的输出（如用特定措辞伪装成功）。缓解：组合多种评分器、检查真实环境状态、加入对抗性测试用例。 7.3 路径依赖过强问题：评分过于依赖预设的“正确步骤”，导致错过更优解法。缓解：优先评最终结果而非中间路径、允许

2026-08-12 14:53:16 587

原创从 Anthropic 的 harness 文章回看 Pi：它真正缺的是什么，真正强的又是什么

本文对比分析了Anthropic的长任务harness设计、PiAgent框架的轻量运行时哲学，以及作者SonarQube自动修复项目的实践经验。核心观点是：不同任务粒度和组织约束下，确定性、自主性与可观测性的分工策略各异。Anthropic的三Agent架构（planner-generator-evaluator）适合4-6小时超长任务，通过结构化交接和sprint契约解决模型自评宽容问题；PiAgent则以轻量、单进程、类型化边界见长，在短周期编码任务中性价比更高。作者项目通过"工具事实门禁&

2026-07-23 17:50:13 386

原创流程是地板，不是天花板--从 Harness 工程看企业内部项目的架构选择

本文探讨了企业内部项目与AI应用设计中流程与灵活性的平衡问题。通过对比传统流水线模式与Claude Code的自组织团队模式，指出前者流程决定上限，后者模型能力决定上限。文章分析了Harness工程和Loop工程的核心思想，强调权限管控是必须的"地板"，而业务流程应保持灵活。针对不同业务类型（高频重复型、探索分析型、混合型等），提出了分层架构建议，并警示Harness设计可能退化为传统Agent的三种路径。最后提出七条设计原则，主张让架构重量匹配业务需求，在确保安全边界的前提下最大化模型自主性，避免流程从手

2026-07-13 21:26:10 365

原创从 Claude Code 放弃 RAG 说起：实际项目中如何合理创建知识库

本文分析了Anthropic放弃在Claude Code中使用RAG（检索增强生成）而改用Grep工具进行代码检索的决策逻辑。文章通过事实对比指出，这仅是针对代码场景的特定选择，并非全盘否定RAG技术。核心原因在于传统RAG在代码场景存在三个关键问题：检索系统的不可诊断性导致调试困难；多环节串联带来的可靠性衰减效应；以及代码频繁变更与索引时效性的矛盾。相比之下，Grep工具具有操作简单、结果明确、实时同步等工程优势，更适合代码检索这一特定场景。文章强调技术选型应基于具体场景需求，而非盲目追随技术潮流。

2026-06-29 17:48:36 463

原创 Loop Engineering：停止手动提示，开始设计自动提示的系统

一个循环是一个递归目标：你定义一个目的，AI 迭代直到完成。Osmani：“循环工程是替换掉你自己——那个手动提示 Agent 的人。你改为设计那个系统。你不在循环中。你设计了循环。

2026-06-16 23:03:30 405

原创规范驱动开发（Spec-Driven Development）深度解析

《规范驱动开发（SDD）：AI时代的软件工程新范式》摘要： 2025-2026年，随着AI编码工具的爆发式增长，规范驱动开发（SDD）重新定义了软件开发流程。SDD强调在编码前先编写结构化规范（Spec），作为AI生成代码的"单一事实源"。其核心分为三个层级：规范优先（临时性）、规范锚定（持续维护）和规范即源码（全自动生成）。与即时性的Vibe Coding相比，SDD通过结构化约束提升AI生成代码的确定性和可维护性；与TDD/BDD等方法论相比，SDD更侧重机器可读的规范描述。当前主流工具（如Kiro、S

2026-05-30 19:36:47 1889

原创规范驱动开发（Spec-Driven Development）：一个批判性审视

摘要：规范驱动开发（SDD）作为AI辅助编码新范式，将开发重心从代码编写转向规范定义。本文通过多源验证分析显示：SDD在理论上延续了模型驱动工程（MDE）理念，但当前工具仍面临规范格式不统一、生成代码质量不稳定等实践瓶颈。关键发现包括：1）SDD与Vibe Coding在效率对比上缺乏严格实证；2）现有规范语言存在"过度结构化"与"自然语言模糊性"的两难困境；3）Tessl等工具虽展示技术前瞻性，但尚未证明其长期维护成本优势。建议开发者根据项目复杂度审慎选择层级，警惕"规范膨胀"风险。关键词：AI辅助开发

2026-05-30 19:27:56 895

原创 Claude Code 赋能 A 股量化分析：数据源·工具链·实战方法论深度调研报告

文章摘要本报告系统分析了Claude Code在A股量化分析中的应用方案，重点比较了AkShare、Tushare、BaoStock等主流数据源的特性与适用场景。报告指出A股市场具有T+1交易、涨跌停限制、散户主导等独特特征，需要专门的AI分析策略。Claude Code通过语义理解、MCP数据直连和Skills流程固化三大优势，能够有效支持选股筛选、技术面量化和每日复盘等核心场景。在数据源选择上，推荐个人投资者采用AkShare+BaoStock的免费组合，有预算的团队可搭配iFinD或Choice付费

2026-05-27 17:38:02 2198

原创从声明式图到自进化循环：Hermes Agent 的架构哲学与可落地方法论

在 LLM Agent 开发领域，LangGraph 的声明式有向图范式和 Hermes Agent 的命令式工具调用循环范式代表了两种截然不同的设计哲学。本文基于 Hermes Agent 源码的深度分析（涉及 agent/conversation_loop.py、tools/registry.py、agent/context_compressor.py、tools/delegate_tool.py、agent/credential_pool.py 等核心模块），系统梳理其架构设计、技术亮点与设计理念，。

2026-05-26 09:59:07 664

原创 Agent Harness 深度教学指南：每个 AI Agent 都需要的基础设施

深入解析 Agent Harness 概念：AI Agent 的核心基础设施。涵盖 Agent = Model + Harness 公式、8大核心组件详解、Strands Agents SDK 实战代码、AWS AgentCore 托管服务教程，以及从入门到生产部署的完整学习路径。

2026-05-16 21:17:11 1055

原创多智能体系统中主 Agent 如何使用 LangGraph 动态派生 SubAgent

摘要：本文探讨了在复杂AI应用中使用多智能体系统（MAS）的优势，特别是主从架构的动态派生机制。通过LangGraph框架，主Agent能够根据任务需求动态创建多个SubAgent并行处理子任务。文章详细介绍了动态派生的实现原理，包括状态定义、主从节点构建、条件边路由以及结果归约等关键步骤，并以一个任务拆解系统为例展示了具体实现方法。这种架构模式有效解决了单体大模型在复杂流程中的局限性，提高了AI系统的灵活性和扩展性。（149字）

2026-04-09 11:26:06 557

原创思维链：计算长度换计算深度，获取多次的向前传播

思维链推理通过增加推理长度换取逻辑深度，将复杂任务分解为多个简单步骤。其核心机制在于利用多次前向传播，让模型将中间结果写入上下文作为"外部记忆"，从而突破单次前向传播的计算瓶颈。这种方法类似于人类使用纸笔分步计算，虽然增加了计算长度，但显著降低了每一步的难度，使模型能够完成原本无法在固定神经网络深度内实现的复杂推理。研究表明，这种机制能有效避免模型在单次推理中走捷径，确保逻辑推理的完整性。

2026-02-24 16:49:45 760

原创用 LangGraph 实现 Small-to-Big 分块检索策略

本文介绍了Small-to-Big分块检索策略及其在LangGraph框架中的实现。该策略通过将文档切分为小粒度子块和大粒度父块，先检索精准的子块，再获取完整的父块作为上下文，既保证了检索精度又保留了上下文连贯性。文章详细阐述了Small-to-Big的工作原理、优势及适用场景，并展示了如何使用LangGraph构建包含分块检索、父块获取、重排序和生成节点的状态化流程。核心代码示例演示了节点函数实现和图构建过程，为开发企业级RAG系统提供了实用方案。

2026-02-14 15:09:56 1069

原创 RAG 中的分块策略（Chunking Strategy）

RAG分块策略的核心要点分块策略是RAG系统的关键环节，直接影响检索质量和生成效果。常见方法包括：固定大小分块（简单但可能破坏语义）基于句子/段落的分块（保持语义连贯）递归分块（灵活适应不同文本结构）文档结构分块（利用标题等元数据）优化建议：块大小通常300-500token为宜添加10-20%重叠防止信息割裂根据文档类型选择策略（如代码按函数分块）结合embedding模型限制调整块大小评估需关注检索召回率和生成质量，通过实验持续优化。前沿技术包括基于embedding的语义分块和L

2026-02-14 14:42:57 858

原创智能体工程时代的软件范式演进

软件开发正从"逻辑驱动"转向"意图驱动"的智能体工程范式。核心在于建立包含编译、测试的闭环验证系统，使AI能自动修正代码。开发者角色转变为系统"编织者"，通过多智能体协作和审查提示词来把控质量。工具演进呈现本地化趋势，通过持久化记忆实现长期协作。尽管可提升30-50%生产力，但面临安全风险和准入门槛提升等挑战。未来将更强调开发者的架构能力和问题定义能力，而非单纯编码速度。

2026-02-04 19:57:08 684

原创 Tool-to-Agent Retrieval 论文深度解读：构建可扩展的LLM多智能体系统

本文提出Tool-to-Agent Retrieval框架，解决LLM多智能体系统中的工具路由问题。该方法将工具和智能体统一嵌入共享向量空间，通过元数据连接二者，实现细粒度检索。相比传统层次路由方法，该框架能同时保留工具级精度和智能体级上下文，在LiveMCPBench基准测试中Recall@5提升17.7%，nDCG@5提升19.4%。实验表明，该方法在不同嵌入模型上均保持性能提升，为复杂任务的多智能体协作提供了更灵活高效的解决方案。

2026-02-04 17:19:35 1014

原创 LangGraph构建合理的图，一个清晰的决策框架

摘要：LangGraph工作流基于三种核心逻辑单元组合：顺序工作流（固定步骤执行）、条件路由工作流（动态路径选择）和代理循环工作流（自主工具调用）。复杂应用通过嵌套这些模式实现，如"路由->代理"组合。高级特性包括子图模块化、状态持久化和人工审核节点。设计工作流时，可根据任务需求选择基础模式或组合模式，类似于编程中的基本控制结构。掌握这三种核心模式即可构建任意复杂的AI工作流系统。

2026-02-01 14:34:11 665

原创 LangGraph的架构哲学：为什么“大脑”和“手脚”应该分开？节点的单一职责原则

LangGraph通过"思考与行动分离"的架构重构AI工作流设计，解决了传统全能代理模式的痛点。文章分析了传统黑盒代理将LLM推理与工具调用捆绑导致的维护困难、测试复杂等问题，提出通过有向图将工作流解耦为独立的思考节点和行动节点。这种架构使决策逻辑与工具执行分离，带来模块化、可观测性、独立测试和动态扩展等优势，将AI应用开发从创造单个全能代理转变为组建专业协作团队，为生产环境提供了更工程化的解决方案。

2026-02-01 14:09:28 748

原创在 LangGraph 中定义“工具”（Tool）

本文介绍了在LangGraph中定义和使用工具（Tool）的方法。工具是将Python函数或API封装后供大模型节点调用的能力。主要步骤包括：1）使用@tool装饰器创建工具函数，需提供清晰描述；2）将工具绑定到LLM模型；3）在图中集成工具节点，通常使用预置的ToolNode或自定义执行器。最佳实践包括：确保工具描述准确、处理错误、隐藏敏感参数、控制工具数量、明确定义调用流程等。通过合理设计，工具能有效扩展LLM的功能并保持系统稳定运行。

2026-01-31 00:18:31 630

原创 lLangGraph实战：状态即上下文，智能对话的四大管理法则

本文介绍了LangGraph如何通过"状态"概念提升AI应用的上下文管理能力。文章以一个智能旅行规划助手为例，展示了状态即上下文的核心理念，并详细阐述了四种上下文管理方法：写入（构建完整上下文）、压缩（管理上下文长度）、选择（智能筛选相关上下文）和隔离（管理上下文边界）。通过将这些方法整合到工作流中，开发者可以构建出更智能、高效的对话系统。文章强调状态不仅是数据容器，更是工作流的智能记忆系统，为现代AI应用提供了强大的上下文管理工具。

2026-01-30 23:55:05 908

原创 langchain上下文管理的方式

本文系统探讨了上下文管理系统的核心方法与实践。上下文管理通过存储、检索、压缩和隔离历史信息，帮助智能体在复杂任务中保持高效推理。LangChain框架提出四类方法：写入(Offload)将信息外部存储，选择(Retrieve)动态检索相关内容，压缩(Compress)提炼关键信息，隔离(Isolate)确保子任务独立性。工程实践中需应对上下文长度限制、信息冗余等挑战，在代码执行、多智能体协作等场景发挥关键作用。合理的上下文管理策略能显著提升智能体系统的扩展性和智能水平，是构建高效智能系统的基础能力。

2026-01-30 16:33:22 805

原创 SFT大致流程

本文介绍了智能体（Agent）系统中大模型落地的关键技术——有监督微调（SFT）和LoRA方法。通过对比基模+Prompt、基模+Prompt+RAG和SFT三种方案，分析了各自适用场景及优劣势。详细阐述了SFT微调流程，包括语料设计、样本生成、参数设置等关键步骤，并解释了LoRA低秩适应的高效原理。文章还提供了训练参数组合建议，指出工程实践中准确率维护、细粒度评估等挑战。最后强调合理运用这些技术能实现智能体系统的高效落地，并附有专业术语注释。

2026-01-29 16:47:38 785

原创前置RAG意图召回解决的问题

本文系统阐述了意图识别的6层进阶方案：1.基础层阐明意图识别本质是将用户语句映射为可执行任务（intent+参数）；2.指出单纯LLM分类的三大痛点：候选空间大、语料稀疏、难解释；3.提出"前置意图RAG"创新方案，通过先召回相似意图样例再精判，有效缩小候选范围；4.详述LangGraph实现方案，将流程拆分为RAG召回、LLM精判、分意图抽槽三阶段；5.区分意图库（系统契约）与意图知识库（泛化样本）的数据建设策略；6.给出包含TopK召回率等核心指标的数据闭环迭代方法论。该方案通过检索

2026-01-15 16:40:13 1056

原创 Agent 意图库和知识图谱

本文通过四步法讲解意图库与知识图谱的区别与应用：1）直觉区分：意图库是"菜单"（解决"做什么"），知识图谱是"关系网"（解决"是什么"）；2）以外卖平台类比：意图库对应客服问题分类及处理流程，知识图谱存储订单-商家-骑手的关系网络；3）在Agent流程中，意图库负责意图识别和路由，知识图谱负责实体消歧和证据链构建；4）通过运维诊断案例演示：用户报障时，意图库确定诊断流程，知识图谱则关联具体服务对象及告警证据。两者的核心差异在于意

2026-01-15 16:11:19 674

原创 Agent 意图识别怎么做（由浅入深 + 例子）

Agent意图识别：由浅入深实践指南摘要： Agent意图识别是将自然语言转化为结构化动作的关键技术。核心任务包括：识别意图（如book_flight）、提取参数（如from/to/date）、判断置信度和是否需要追问。实现路径分为四个阶段：规则路由→传统分类器→LLM结构化输出→多步路由系统。关键设计要点包括：定义清晰的意图体系（动词化命名+契约）、注重槽位抽取（必填/可选参数）、处理多意图和上下文依赖、建立合理的澄清策略。评测需关注端到端成功率而非单纯准确率，工程实现应包含降级机制。典型应用场景如文档

2026-01-14 17:34:09 3232

原创温度设为 0 仍然不完全确定：LLM 推理非确定性从哪来、怎么测、如何缓解

摘要大型语言模型（LLM）中设置temperature=0并不能保证完全确定的输出结果。本文分析了三个层面的原因：1)解码策略层，温度=0等价于贪婪解码，但仍存在上游微小差异；2)数值与并行层，浮点运算和并行处理可能导致logits的微小变化；3)服务化与工程层，批处理和调度机制会影响输出一致性。主要发现包括：云端服务商明确表示不保证完全确定性；PyTorch、cuDNN等框架因性能优化存在固有非确定性；贪婪解码可能降低文本质量。文章最后提供了提高一致性的实用建议清单，强调温度=0只能减少而非消除随机性，

2025-12-26 17:37:50 1639

原创效率陷阱：当裁员被指标化，人就变成了数字

这篇文章不是反对“数据”和“效率”。它反对的是：把容易量化的指标误当成真实价值，并在裁员浪潮里用这些指标做不可逆的人事决定。希望指出现象并都带来思考。源podcast：https://www.youtube.com/watch?v=QBznUHAopxU

2025-12-16 22:50:48 1085

原创综述：deepSeek-OCR，paddle-OCR，VLM

本文对比了DeepSeek-OCR与PaddleOCR两种OCR技术路径。DeepSeek-OCR作为多模态视觉语言模型，采用创新的"视觉压缩"机制，通过自适应分辨率编码和端到端统一处理，将大量视觉token压缩90%以上，显著提升长文档处理效率。而PaddleOCR采用传统"检测-识别"两阶段方案，在复杂版面还原上更具优势。测试显示，DeepSeek-OCR参数更少(22M vs 0.9B)、处理速度更快，适合长文档和实时场景；PaddleOCR则在复杂表格和特殊字

2025-10-28 23:05:48 1840

原创阅读：REACT: SYNERGIZING REASONING AND ACTING INLANGUAGE MODELS(在语言模型中协同推理与行动)

摘要：本文提出ReAct方法，通过将大型语言模型（LLMs）的推理能力与行动能力相结合，实现更高效的任务解决。ReAct允许模型以交错方式生成推理轨迹和具体行动，其中推理指导行动决策，行动则提供外部信息反馈。实验表明，在问答（HotpotQA）、事实验证（Fever）及决策任务（ALFWorld、WebShop）中，ReAct显著优于仅推理或仅行动的基线方法，提高准确率的同时增强了可解释性。该方法通过动态推理和外部交互有效缓解了纯推理中的幻觉问题，为构建更接近人类认知模式的AI系统提供了新思路。

2025-10-16 17:30:08 1498

原创阅读：《Agent AI: Surveying the Horizons of Multimodal Interaction》5.1 - 5.6

本文系统梳理了AgentAI的分类体系，主要涵盖五大类智能体：通才智能体（Generalist Agents）强调多任务泛化能力和多模态交互；具身智能体（Embodied Agents）注重物理世界交互，包括行动智能体和交互智能体两个子类；模拟与环境智能体通过虚拟训练场加速学习；生成式智能体利用大模型创造交互内容；知识与逻辑推理智能体则细分为知识智能体、逻辑智能体、情感推理智能体和神经-符号智能体，分别侧重知识融合、严密推理、情感理解和符号-神经协同。该分类框架既包含理论维度（如具身性、推理能力），也涵盖应

2025-10-13 14:59:31 800

原创阅读：《Agent AI: Surveying the Horizons of Multimodal Interaction》4 - 4.1.2

本文探讨了AgentAI的学习机制，重点介绍了强化学习(RL)和模仿学习(IL)两种核心策略及其与大语言/视觉模型(LLM/VLM)的协同应用。在RL方面，文章分析了传统方法面临的三大挑战（奖励设计、数据效率、长时程任务），并展示了LLM如何通过自动设计奖励函数、增强数据生成和采用分层规划（TAMP框架）来提升RL效果。在IL方面，文章阐述了行为克隆(BC)方法如何借助LLM/VLM构建强大的端到端模型，提升智能体的泛化能力。研究表明，将LLM的认知能力与传统学习方法相结合，能显著提升智能体在复杂任务中的表

2025-10-10 11:26:59 827

原创 SubAgent的“指令漂移 (Instruction Drift)“困境

本文探讨了构建高级AI Agent时面临的"指令漂移"问题及解决方案。在多Agent协同工作中，传统对话式编排容易导致关键信息丢失或曲解，造成流程偏离预期。作者通过自动化修复代码异味的案例，展示了对话式模式在复杂任务中的失败原因：上下文过载导致早期指令被稀释，多步推理难以准确执行。为解决这一问题，文章提出采用LangGraph框架构建结构化工作流。该方法通过定义共享状态对象(State)来精确传递数据，将专家行动改造为独立节点(Nodes)，并用逻辑连接构建确定性工作流。这种模式既保留

2025-09-29 10:49:35 1030

原创阅读：Agent AI:Surveying the Horizons of Multimodal Interaction (2.3-3)

本文提出了一种利用通用基础模型（如ChatGPT、GPT-4等）构建具备涌现能力的交互式AI智能体新范式，旨在解决传统AI系统在未知环境中泛化性能不足的问题。核心创新是提出"知识推理交互混合现实"(MR-KII)机制，使智能体能够通过跨模态的微观反应（整合显式网络搜索和隐式模型推理）和现实无关的宏观行为（动态调整交互模式）来适应新环境。该框架利用预训练模型作为基础，支持长期任务规划，整合记忆系统，并通过环境反馈进行持续学习。研究还引入了"智能体转换器"概念，通过专门的

2025-09-23 17:34:40 1517

原创阅读：Agent AI:Surveying the Horizons of Multimodal Interaction (2.2.1-2.2.3)

AI智能体存在幻觉和偏见两大核心问题。幻觉表现为生成不忠实于源内容或无意义的文本，分为内在（与源材料矛盾）和外在（添加未包含信息）两类，可通过检索增强生成（RAG）等方法缓解。视觉语言模型（VLM）也因依赖数据共现性而产生幻觉。偏见源于训练数据中的人类社会偏见，表现为过度泛化、放大主流观点等。解决策略包括：使用多元化训练数据、开发偏见检测算法、制定道德准则、提高文化敏感性和可访问性，并通过用户反馈持续改进。这些措施旨在构建更具包容性和公平性的AI系统。

2025-09-23 16:36:38 1081

原创阅读：Agent AI:Surveying the Horizons of Multimodal Interaction (1-2.2)

多模态代理AI：具身智能的未来发展路径本文探讨了多模态代理AI（AgentAI）作为下一代智能系统的核心架构，其通过整合语言、视觉和行动能力，在物理和虚拟环境中实现交互式任务执行。研究指出，当前基于大型基础模型（如LLMs/VLMs）的代理系统仍面临环境适应性和幻觉问题，提出通过知识迁移、层级化控制（规划-执行框架）和检索增强生成（RAG）等技术提升代理的可靠性和泛化能力。典型应用案例显示，代理AI在机器人操作、导航和虚拟角色行为生成中已实现语义理解与物理行动的闭环。论文强调，具身化设计能有效缓解大模型的

2025-09-16 14:15:46 1111

原创 subagent是为了解决上下文窗口的问题吗？

摘要：Subagent（子代理）是一种通过任务分解和上下文聚焦来规避上下文窗口限制的策略。它将复杂任务拆分为子任务，由不同子代理专注处理各自所需的最小上下文，从而在有限窗口内完成大型任务。虽然能减少单次调用负担，但并非直接扩大窗口容量，而是通过"分而治之"的工作流设计实现超窗口信息处理。典型应用场景包括需要长程记忆或并行探索的复杂任务。

2025-09-11 16:55:13 541

原创关于多Agent协作框架的讨论：以产品经理工作流为例对比Sub Agent与AutoGen

本文对比了SubAgent和AutoGen两种多Agent协作框架在产品经理工作流中的应用。SubAgent采用分层委托模式，将工作流程分解为标准化子任务（市场调研→PBI生成→DevOps发布），具有职责清晰、执行高效的特点。AutoGen则适用于需要多专业协作的复杂决策（如市场调研），通过营销专家、产品经理等不同角色的Agent进行观点碰撞。实践表明，混合架构能结合两者优势：对标准化流程采用SubAgent，复杂决策采用AutoGen，并通过智能路由器自动选择执行模式。这种方案在保证效率的同时，提升了创

2025-09-04 15:18:45 1527

原创提示词工程：方向性刺激提示 (Directional Stimulus Prompting)

方向性刺激提示是一种高效的提示技术，通过直接给出期望输出的开头部分来精准控制大型语言模型的输出格式、结构和思考路径。这种方法利用模型的文本补全能力，强制其按照指定方向生成内容，确保格式稳定性和一致性。典型应用包括强制JSON输出、引导思考过程、控制代码生成等。通过提供"引子"（如JSON开头、代码片段起始或思考第一步），该技术能显著提高输出质量，在需要结构化数据或稳定格式的场景中尤为有效。

2025-08-07 14:25:37 790

原创 LangChain (LCEL) 和 AutoGen 的适合场景，核心理念

摘要： AutoGen和LangChain在处理多代理协作任务时有不同哲学。LangChain的LCEL更适合线性、确定性的工作流，通过管道式数据流实现清晰步骤；而AutoGen强调代理间的动态协作，适合非确定性、需要灵活交互的复杂任务。LangChain采用函数式编程风格，AutoGen更像面向角色的团队会议。对于严格步骤的任务，LangChain更直接；涉及多代理动态协作时，AutoGen更合适。两者可结合使用，LangChain处理结构化部分，AutoGen管理复杂交互。

2025-07-14 16:39:12 984

LangChain 0.3 多智能代理协作

空空如也