m0_46642164的博客

原创 AGENTS.md 与 CLAUDE.md：如何为 AI 编程助手建立项目协作规范

为提升AI编程助手协作效率，建议在项目中设立AGENTS.md或CLAUDE.md等专用规范文件，明确项目结构、开发流程、测试命令、安全边界与提交要求。此类文件将隐性规则显式化，避免重复沟通，防止误操作，实现团队与AI的高效协同。推荐统一主规范，分层细化子目录规则，结合docs/文档体系，确保可维护性与一致性。

原创 DeepSeek Harness 深度解析：一个「一切皆插件」的 Agent 底座，凭什么对标 Claude Code / Codex

DeepSeek Harness v0.1 是一款开源的 Agent 底座框架，旨在为开发者提供高度模块化的工具来构建定制化智能体。与 Claude Code 和 Codex 等现成工具不同，Harness 采用「一切皆插件」的设计理念，允许自由替换模型、工具、存储和界面组件。它解决了厂商锁定、黑盒不可控和重复造轮子等问题，通过 Cordis 插件系统实现灵活组合。虽然目前尚处开发者预览阶段，但 Harness 为需要底层控制的用户提供了强大的可扩展性和掌控力，成为 Agent 技术栈的新选择。

原创 Agent 上下文压缩：从「背不动」到「拎得清」

摘要 本文探讨了Agent上下文压缩的必要性与方法。随着对话轮次增加，过长的上下文会导致三大问题：成本上升、响应变慢和关键信息丢失。文章介绍了四种压缩方法： 摘要法：定期生成对话摘要替代原文，适合多轮对话场景 RAG检索法：通过向量检索仅保留相关内容，适合知识密集型任务 结构化记忆：将信息转为键值对等结构化数据，适合需要持久记忆的任务 Token级压缩：使用特殊表示减少token占用，适合代码等结构化内容 每种方法各有利弊，需根据具体场景选择。核心思想是保持信息精炼而非数量，以提升Agent性能和效率。

原创 Graph Engineering：从循环工程到图编排，让多 Agent 协作像流水线一样丝滑

Graph Engineering 是2026年AI Agent编排领域的重要范式，将多个Agent、工具和人工审核点组织成可执行、可观察的工作图。它解决了传统Loop Engineering（单一Agent循环执行）在复杂任务中的局限性，通过节点、边和共享状态三大核心组件，实现任务流程的并行、容错和可视化。文章介绍了五种常见图模式：顺序管道（A→B→C）、条件路由（动态选择路径）、并行分支（多任务并发）、循环迭代（审核回退）和人工干预（关键节点人工审核）。Graph Engineering使多Agent协

原创 AI 产品的5 种常见形态以及实际解决的问题

AI 产品并不只有聊天机器人。本文用通俗案例梳理对话式助手、专业知识助手、嵌入式 AI、工作流 AI 和 AI 智能体五种常见形态，说明它们分别解决什么痛点、适合哪些场景，以及如何判断自己的业务该从哪一种 AI 产品开始。

原创 LangGraph设计范式

LangGraph 是构建 LLM 驱动 Agent 系统的主流框架，本文系统梳理了从最基础的 **Single Agent** 到生产级 **Custom Workflow** 共七种架构模式。每种模式涵盖概念本质、拓扑结构、最小可运行代码及适用场景，并从可预测性、路由决策方式、LLM 调度频次和复杂度四个维度进行横向对比。无论是搭建简单的单次 LLM 调用管线，还是设计多层级、多 Agent 协作的企业级系统，读者均可将本文作为 LangGraph 架构选型与落地的参考手册。

原创 LangGraph 与 Human-in-the-Loop 实战指南

这篇文章系统介绍了LangGraph框架及其Human-in-the-Loop（HITL）机制。LangGraph通过有状态图解决复杂AI工作流问题，支持多步骤分支、循环重试和人类介入审批。核心三要素是State（共享数据存储）、Node（处理节点）和Edge（节点连接）。条件边实现动态路由，通过返回节点名称控制流程走向。HITL通过interrupt()暂停执行、Checkpointer持久化状态和Command恢复执行三大机制实现人类审批。文章最后通过数据流分析展示了外部决策如何影响路由判断。该框架特别

原创 Claude Code 深度拆解：执行机制 + 实际工作流融合指南

本文深入解析了Claude Code的执行机制和实际工作流。核心是Agent循环，通过读取CLAUDE.md理解项目上下文，调用工具执行任务，并支持Sub-Agent并行处理。文章提供了CLAUDE.md的编写建议，包含项目说明、技术约束和业务背景等关键内容。针对新功能开发、调试、批量重构等场景，给出了具体操作指南，并介绍了如何接入第三方模型降低成本。最后总结了Claude Code的适用场景和使用技巧，强调将其作为理解项目上下文的协作者，而非简单的代码补全工具。

原创 实际开发中，LLM 到底有几种用法？这篇讲清楚了

LLM 六大工程实践指南 本文系统梳理了大型语言模型（LLM）在实际开发中的六种核心应用方式： 直接API调用：最简方案，适合快速验证原型，但存在数据隐私风险 RAG检索增强：企业主流方案，通过向量检索+生成解决私有数据问题 模型微调：深度定制行业专用模型，需高质量标注数据和GPU资源 Agent工具调用：赋予LLM执行能力，可对接各类业务系统 多模型协同：组合不同模型优势，提升系统可靠性 边缘部署：本地化方案保障数据安全，适合高合规要求场景 每种方案均包含典型应用场景、代码示例和优劣分析，建议根据业务需求

原创 大模型是怎么“听懂“你说话、再去调工具的？——以客服 Agent 为例

本文通俗讲解了大模型客服Agent的工作原理，分为三个核心步骤：意图识别、工具调用和优化策略。首先，Agent通过分类任务识别用户意图（如查询物流），并提取关键参数（如订单号）。其次，根据预定义的工具说明书（如查询订单状态函数），模型决定调用哪个工具并执行。最后，文章提出六大优化方向，重点强调清晰描述工具适用场景、提供示例、主动追问不确定信息，以及设置兜底机制。整个过程通过两轮对话实现：模型先翻译用户需求为系统指令，再将执行结果转化为自然语言回复。

原创 五大主流 Agent 架构模式详解

本文系统梳理了五种主流Agent架构模式：1) ReAct模式通过思考-行动-观察循环逐步解决问题，适合简单任务但缺乏全局规划；2) Plan & Execute将规划与执行分离，适用于复杂多步骤任务；3) Multi-Agent采用多智能体协作，通过中心化或去中心化方式完成复杂工作；4) RAG+Agent结合检索增强技术，动态获取外部知识；5) Tool Use支持结构化工具调用，可实现并行操作提升效率。每种模式从核心思想、工作流程到适用场景进行了详细解析，为不同应用场景下的Agent架构选型提供了系统

原创 # Agent 是什么？把它想象成一个人

Agent是一种模拟人类行为的智能程序，其核心结构由五个关键部分组成：1) LLM推理核心作为"大脑"负责决策；2)感知层作为"眼睛"接收输入；3)规划层作为"脊椎"分解任务步骤；4)记忆层作为"心脏"存储上下文；5)工具层作为"双手"执行具体操作。完整的Agent工作流程包括：接收输入→分析决策→拆解步骤→调用工具→存储结果→生成响应。这种结构使Agent能够像人类一样思考、记忆并按计划完成任务，而非简单的魔法程序。

原创 你的 RAG 答案总缺一半？试试 Agentic RAG

普通 RAG 只检索一次，信息不够也硬生成答案，跨文档查询和多步推理这两类问题它处理不好。Agentic RAG 在检索之后多了一个判断：够了就回答，不够就再检索一次。这篇文章用同比增长和合同索赔两个例子，拆解两种架构的具体差异，以及什么时候该用哪个。

原创 Prompt给到LLM后的完整执行链

这篇文章揭示了AI助手处理用户查询"我的订单到哪了"背后的7个关键步骤。从用户输入到最终响应，系统经历了：1)前端请求打包；2)构建执行器；3)Prompt模板填充；4)LLM首次推理选择工具；5)工具执行查询数据库；6)LLM二次推理生成答案；7)存储对话记忆并返回结果。整个过程涉及前端、API层、LLM推理和工具执行等多个环节，其中Prompt中的工具描述(docstring)质量直接影响工具调用准确率，而调试时可查看intermediate_steps中的详细推理链路。系统通过两次

原创 MCP 是什么？给开发者的完整指南

MCP 协议：AI与运行环境的桥梁 MCP（Model Context Protocol）是Anthropic推出的开放协议，旨在解决AI调试时"隔墙猜谜"的核心痛点。它通过标准化接口让AI能直接操作真实运行环境，包括浏览器、数据库等工具。 核心价值： 打破AI与运行环境间的信息壁垒 提供统一工具调用标准（类似USB接口） 实现调试过程闭环验证 典型工作流：AI通过MCP客户端发送结构化指令→MCP服务端执行具体操作（如浏览器控制）→返回结构化结果→AI继续推理。这种机制使AI能像工程师

原创 LLM · Function Call · MCP Tools · Agent · Skills 是什么关系？一张图 + 一个例子，5 分钟彻底搞懂。

本文通过订机票场景解析LLM应用架构中的核心概念关系。LLM作为大脑负责推理决策，通过Function Call表达工具调用意图；MCP Tools是标准化工具箱，按统一接口执行具体操作；Agent作为协调器驱动任务循环执行；Skills则是预定义的任务模板，沉淀最佳实践。五个概念形成完整工作链：LLM思考→Function Call声明→MCP Tools执行→Agent协调→Skills复用。文章还澄清了常见误区，强调LLM不能直接执行代码、Agent不等于LLM等关键点，为开发者提供了清晰的架构认知框

原创 Python 数据库迁移：Alembic 太重？自己动手搭一套轻量版

本文介绍了一套轻量级数据库迁移方案，借鉴了Alembic的核心思想但更加简单易用。该方案通过版本化迁移文件和持久化执行记录，解决了数据库变更管理中的常见痛点：环境不一致、重复执行、回溯困难等问题。迁移文件采用纯SQL编写，按表组织，通过递增ID标识变更。执行器自动记录执行状态到_migration_history表，确保变更只执行一次。相比Alembic，这套方案无需额外依赖，上手门槛低，特别适合直接使用原生SQL的项目。核心设计原则包括：变更代码化、ID只增不改、执行状态自动化管理，有效降低了数据库变更的

原创 你的 Service 为什么越写越乱？从 CQRS 说起

Query（读）Command（写）类职责查询、过滤、分页新增、修改、删除副作用❌ 无✅ 有事务无需flush，由 Controller commit注入别名ReadSvcWriteSvc。

原创 # GitHub CLI：告别繁琐的 Git 命令，让开发更高效

GitHub CLI (gh) 是 GitHub 官方命令行工具，可让开发者直接在终端完成 GitHub 操作，无需频繁切换网页。它支持创建仓库、管理 issue/PR、代码审查等工作流，大幅提升开发效率。通过 OAuth 安全认证，gh 能替代 90% 的网页操作，支持 JSON 输出便于脚本集成。安装简单（支持 macOS/Linux/Windows），常用场景包括一键创建推送仓库、批量处理 issue、生成发布说明等。与 git 命令互补，gh 专注于 GitHub 平台功能，是开发者提升工作流效率的

原创 为什么 AI 编排层要选 FastAPI 而不是 Django？深度解析 + 适合场景

很多有 Django 经验的开发者在搭 AI Agent 系统时会本能地沿用熟悉的框架，但 AI 编排层的核心需求——异步调度、SSE 流式输出、轻量无状态——恰好与 Django 的设计方向相悖。本文从实际项目出发，分析了 Django 在 AI 编排场景下的三个具体痛点：异步支持不彻底、SSE 实现繁琐、携带大量用不上的全家桶组件。对比说明了 FastAPI 原生异步、StreamingResponse 开箱即用、Pydantic 自动生成接口文档的优势，并给出了 FastAPI 对接 Java 业务层

原创 FastAPI 鉴权怎么写？中间件和依赖注入一次说清楚

从每个接口自己写验证代码的痛点出发，一步步重构成中间件统一拦截 + Depends() 精准注入的结构。适合想搞清楚「为什么要用中间件」的开发者。

原创 用 FastAPI 将 LangChain Agent 封装成对外接口

本文介绍如何用 Python FastAPI 将 LangChain Agent 封装成 HTTP 接口，供 Java Spring Boot 主服务调用。涵盖 FastAPI 路由、请求响应体定义、LangChain Tool 编写、ReAct Agent 推理机制，以及 Java 侧 RestTemplate / WebClient 调用方式，适合 Java 技术栈团队落地 AI 能力参考。

原创 LangChain AgentExecutor 完全指南：ReAct循环+Memory+LLM实战

学完 LangChain 工具模块之后，很多人卡在同一个地方：工具定义好了，但怎么让 LLM自动决定调哪个工具、调几次、把结果串起来？答案就是。它是 LangChain Agent 的执行引擎，把工具调用、推理循环、记忆管理全部自动化。bind_tools和的本质区别ReAct 循环是怎么跑的（Thought → Action → Observation）四个关键参数各自的作用，不加会发生什么reactvsreact-chat怎么选，选错记忆全失效Memory 两种类型的区别，k=10。

原创 LangChain Tools工具模块完全指南：@tool装饰器+StructuredTool+Pydantic校验+实战案例

本文全面介绍了 LangChain 工具模块的使用方法，重点讲解了 @tool 装饰器和 StructuredTool 的实战应用。主要内容包括： @tool 装饰器的核心功能：自动生成工具名称、描述和参数类型 工具描述（description）的编写规范：必须包含功能说明、触发条件和输入格式 参数类型注解的必要性和 Pydantic 校验规则的使用 @tool 与 StructuredTool 的选择策略 工具返回值的规范要求 完整的 DeepSeek 调度示例 文章提供了大量可运行的代码示例，并总结了工

原创 LangChain嵌入模型入门

嵌入模型（Embedding Model）的作用是把文字变成向量，让计算机能计算两段文字之间的语义相似度。"苹果手机" → [0.12, -0.83, 0.45, ...] ← 1536 个数字"iPhone" → [0.11, -0.81, 0.43, ...] ← 两个向量很接近 → 语义相似"香蕉" → [-0.6, 0.22, 0.91, ...] ← 差很远 → 语义无关这串数字叫向量，数字的个数叫维度。维度越多，语义描述越精细，但计算成本也越高。知识点一句话记忆嵌入模型。

原创 2026 年 LangChain (记忆)Memory 怎么用？三个核心类 + 完整代码示例

本文介绍了在LangChain中实现对话记忆的方法。通过InMemoryChatMessageHistory存储对话历史，使用RunnableWithMessageHistory包装器自动管理历史记录，使LLM具备"记忆"功能。关键步骤包括：1)用字典管理多用户历史；2)Prompt中设置MessagesPlaceholder；3)构建基础chain；4)用包装器绑定历史管理；5)调用时传入session_id。这种方法解决了LLM无状态的问题，使其能记住上下文对话内容，适用于客服等需要

原创 Web前端标签打印踩坑实录：@page size不生效？一文搞定自适应打印方案

Web前端标签打印踩坑实录：@page size不生效？一文搞定自适应打印方案

原创 ONLYOFFICE 8.1 版本测评：功能全面的办公套件新选择

近日，ONLYOFFICE发布了最新的8.1版本，这一版本不仅对已有功能进行了优化，还引入了许多令人期待的新特性。ONLYOFFICE 8.1版本在演示文稿编辑器中新增了这一功能，用户可以通过选择预设的幻灯片版式，快速应用到多张幻灯片上，从而保持整体风格的一致性。综上所述，ONLYOFFICE 8.1版本在多个方面进行了显著改进，无论是PDF编辑器的完善、幻灯片版式功能的引入，还是从右至左语言支持的优化，都显示出开发团队对用户需求的深刻理解和重视。这一设计充分考虑了用户的多样化需求，提升了软件的可定制性。

原创 nvm实现node版本的管理

使用nvm管理node

原创 父子组件传值与组件封装

关于父子组件传值的理解

原创 ES6-扩展运算符

ES6新增特性之扩展运算符

原创 let,const,var的作用范围和区别

let,const,var的作用范围和区别。

原创 解决stack FetchError: request to https://registry.npm.taobao.org/@vue%2fcli-plugin-vuex failed, reason

针对小程序的一些问题的解决方法

原创 JS-Map和Set简介和基本用法

ES6-map和Set

原创 vue2.0 关闭eslint检查

原创 字符串最后一个单词的长度 javascript

字符串最后一个单词的长度题目描述:给你一个字符串 s，由若干单词组成，单词前后用一些空格字符隔开。返回字符串中 最后一个 单词的长度.输入描述：示例1：输入：s = “luffy is still joyboy” 输出：6 解释：最后一个单词是长度为6的“joyboy”。输入：s = “Hello World” 输出：5 解释：最后一个单词是“World”，长度为5。 示例 2：示例2：输入：s = " fly me to the moon " 输出：4 解释：最后一个单词是

原创 MYSQL之连接

MySQL 常用连接方式

原创 合并k个升序链表

力扣--合并K个链表升序输出(栈.链表)

原创 leetcode-题1两数之和

题目描述：给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。你可以按任意顺序返回答案。示例 1：输入：nums = [2,7,11,15], target = 9输出：[0,1]解释：因为 nums[0] + nums[1] == 9 ，返回 [0, 1] 。示例 2：输入：nums = [3,2,4

原创 html两种盒子模型

html常用知识点总结