m0_46356780的博客

原创 DataWhale “动手学 Agent 应用开发” Task04：MCP原理与最简实践

本次利用 MCP 协议写了一个工具封装到Task03魔改版的 Langgraph 项目中了。以前经常听说 Langchain 、 LangGraph 、 MCP啥的，现在在 DW 的学习中也自己实现了，感觉很棒！

原创 DataWhale “动手学Agent应用开发“ Task03：Agent 原理与最简实践

本文摘要：实现了一个基于ReAct框架的智能代理系统，包含三个核心模块：1) llm.py 提供与DeepSeek API交互的聊天模型接口；2) tool.py 实现工具类(如谷歌搜索)的标准化调用；3) agent.py 构建智能代理主体，整合语言模型与工具能力。系统采用模块化设计，支持对话历史维护、工具动态调用和JSON格式的指令解析，通过环境变量管理API密钥，实现了可扩展的智能代理架构。

原创 DataWhale 《动手学 Agent 应用开发》Task02-Agent产品案例深度拆解

【摘要】Envelope是一款AI活动策划工具，能自动生成可编辑的海报、邀请函并执行发送流程，显著提升策划效率。其核心技术可能是基于组件库的智能组合而非文生图，邀请发送功能则采用规则脚本实现。该产品发布即登顶Product Hunt榜单，凭借其开箱即用的解决方案，有望成为活动策划领域的爆款应用。

原创 DataWhale 《动手学 Agent 应用开发》Task 1

首先，系统梳理了智能体技术的定义、架构和应用现状，指出目前业界对Agent的定义尚未统一，但普遍认同其核心在于大模型结合记忆、规划和工具使用能力。文章将Agent系统划分为工作流和自主智能体两类，分别适用于流程固定和开放性问题场景，并详细分析了其组成模块和设计模式。国内外主流开发框架和产品案例也被纳入讨论。 之后本文聚焦金融行业，总结了金融智能体的核心能力模块和典型应用场景，包括客户服务、信用评估、投资决策等六大领域。最后，本文列举了 Agent 的技术栈以及对如何学习 Agent 做了讨论。

原创 DataWhale 夏令营之讯飞比赛

原创 2020-09-17

今天学习了金融风控的Task2 数据处理与分析 感觉难度突然加大了 大二狗学着有点吃力但是今天我收获了这些：1.拿到数据后首先要做的是观察现有数据，看行数列数以及相关信息（info、describe）等2.观察有没有空值，如有的话看空值率多不多，不多的话可以填充，多的话可以把这一列删除。3.观察有没有唯一值，唯一值的话数据分析的作用就不大了，可以忽略4.之后就是分对象类和数值类了 我们分析数值类 数值类也分离散类和连续类 （我不明白为什么不同值大于十个就属于离散类了）5.之后对数值进行可视化（这

原创 零基础入门金融风控-贷款违约预测 | Task 1赛题理解打卡

今天看了阿里天池学习赛（二手车价格预测）的task1 赛题理解附链接：https://tianchi.aliyun.com/competition/entrance/231784/forum大致清楚了赛题理解需要做的事情：1.了解赛题的难度2.了解赛题的数据和其中的逻辑3.了解比赛的评分机制即赛题指标4.了解赛题背景隐藏的联系本次金融风控-贷款违约预测比赛采用的是auc评估模型效果评分在csdn上得知auc模型即roc曲线和其x轴FPR围成的面积 其值在0.5-1之间越高越好 但是大于0.