CodeBlog-star-优快云博客

原创 DeepSeek Harness Super-Agent：保姆级实战

DeepSeek Harness 开源的 dsh-superagent-prototype 推动 AI 编程从“指令驱动”迈向“事件驱动”，构建了一个可长期运行、自动监听 GitHub 事件、按策略生成任务（Ticket）、分配独立 Worker 执行并回传结果的智能协作系统。其核心在于通过插件化架构实现任务持久化、并行执行与状态恢复，展现了一套完整的 Agent Orchestration 范式。虽为研究原型，非生产级产品，但为未来 AI 工程师角色提供了重要范本。

2026-11-08 16:29:07 81

原创 Grok Bot 是什么？一文搞懂 AI Agent 的实际应用

xAI推出的Grok Bot是一款具备自主执行能力的AI Agent，可操作云端电脑、调用外部工具并完成多步骤任务。与传统问答模型不同，它能在授权范围内自动访问GitHub、分析日志、生成报告、创建Issue等，实现从“回答问题”到“执行任务”的跨越。依托持久化的云端计算环境，任务可在用户离线时继续运行，支持多Bot协同工作，显著提升效率。

2026-11-07 11:18:42 306

原创 OCR技术：文本、表格、公式、图片与PDF解析

本文系统解析复杂文档OCR挑战，指出传统OCR在表格、公式、多栏排版等场景中易丢失结构与顺序。通过对比PaddleOCR、dots.ocr与Tesseract，结合版面分析与VLM技术，构建从图像预处理到结构化输出的完整流程。实战演示基于Python实现文字、表格、公式识别，并提出准确率评估与生产部署优化方案，助力企业高效构建可检索的智能知识库。

2026-10-09 11:57:56 276

原创 Laya开源System One Model

本文探讨了在Agent系统中过度依赖生成式大模型进行简单决策的弊端，提出以Laya为代表的System One Model作为替代方案。该模型不生成文本，而是在一次前向计算中直接输出结构化决策（choice、score、noul）及概率，适用于意图识别、工具路由、风险判断等任务。文章解析了Laya的架构设计、多模型检查点与概率校准机制，并通过实战演示其本地部署与工单路由应用，揭示其在零样本能力、长文本处理、高基数分类及生产部署中的优势与挑战。

2026-09-27 16:27:34 380

原创 Jev实战：一文搞懂System One决策模型

Jev 是 TypeSafe AI 于2026年推出的首个 System One Model，专注结构化决策而非文本生成。它将输入状态与类型化问题结合，直接输出概率化的判断、选择或评分结果，实现“智能 if”式逻辑。相比传统 LLM 需通过复杂解析获取意图，Jev 以低延迟、高可靠性支持工单分流、风险评估、Agent 路由等场景，显著降低工程复杂度。其核心机制基于状态（State）、问题（Question）与概率决策（Answer），强调“决策即原语”，推动 AI 更自然地融入软件系统。

2026-09-23 10:10:04 261

原创 MongoDB保姆级实战：从入门到生产最佳实践

本文系统梳理MongoDB 8.x核心知识，涵盖安装、文档模型、CRUD、PyMongo、索引、聚合、事务、分片与安全等实战要点，帮助开发者从“存JSON”误区转向高效设计与生产级应用，适合入门与速查。

2026-09-23 10:00:21 142

原创 Human-in-the-Loop重难点：看这篇就够了

本文从Agent工程视角解析HITL（Human-in-the-Loop）的本质：它不仅是“弹窗审批”，更是一套完整的挂起-恢复控制协议。核心挑战在于何时触发、如何安全中断与恢复。文章强调，HITL应由策略引擎而非LLM自主判断，避免模型绕过安全机制。关键触发场景包括决策模糊（信息不足）与权限不足。建议将HITL抽象为支持“批准/拒绝/编辑/澄清”的多态工具，并结合状态持久化、权限门禁与生产级架构实现可靠落地。附流程图与可运行代码。

2026-09-12 16:34:30 181

原创 Agent Dynamic Workflow：更灵活的工作流模式

本文系统解析Agent动态工作流的核心理念与实践，指出传统静态流程在复杂任务下易失控的问题。通过对比Workflow与Agent的本质差异，提出“动态路由、拆解、并行、循环、人工介入”五大动态维度，并基于LangGraph提供可运行代码与生产优化方案。强调应“将灵活部分交予模型，可靠部分留给代码”，实现可控、可演进的智能系统架构，适合从Demo迈向生产级Agent应用。

2026-09-12 16:30:37 353

原创 Agent Sandbox：生命周期、资源池与安全复用基本原理

Sandbox已超越传统容器，成为Agent执行的完整控制基础设施。本文系统拆解其生命周期：从资源动态规划、智能分配、锁机制、Session级复用到污染检测与快照回收，并强调需设立独立控制平面与状态数据库。核心观点：所有LLM输出均为不可信输入，必须通过Sandbox隔离执行。建议引入专用Resource Planner Subagent，依据任务语义动态决策资源，避免固定规则或随机分配。对比OpenSandbox、E2B、Daytona等方案，揭示生产级Sandbox应作为有状态计算资源进行精细化管理。

2026-09-12 14:07:08 473

原创 MCP 一文搞懂：进来看不懂，评论区骂我

MCP 到底解决了什么问题？Host、Client、Server 分别负责什么？为什么有了 Function Calling 还需要 MCP？本文从工程视角拆解 MCP 的完整工作机制，并使用 FastMCP 编写一个同时包含 Tool、Resource、Prompt 的最小 Server，讲清 stdio、SSE、WebSocket/HTTP 等通信方式、Host 配置文件、JSON-RPC 调用链路、初始化与能力发现，以及最容易被忽略的两类错误处理机制。附架构图、完整时序图和踩坑总结，建议收藏。

2026-08-30 10:50:00 336

原创 Agent Tool治理：Harness核心机制之一

本文围绕 Agent Tool 治理，从统一 Tool Schema、Pydantic 参数校验、权限边界、风险标签、重复调用熔断、HITL 人工审批到审计日志，搭建一套可校验、可拦截、可追踪的完整治理链路，并给出可运行示例与踩坑总结。

2026-08-26 19:51:04 407

原创 Agent Loop：一文搞懂 Agent 循环核心机制

随着大模型应用进入智能体时代，Agent Loop成为构建AI Agent的核心机制。本文深入解析Agent Loop的运行原理、执行流程和工程实践，帮助开发者理解智能体如何通过“思考-行动-观察”完成复杂任务，并掌握工具调用、状态管理、异常处理及优化方法，为实际开发可靠AI Agent提供参考。

2026-08-25 11:52:06 191

原创 Codex Harness 全面开源：OpenAI的 AI Agent 底层执行框架

OpenAI开放Codex Harness：AI Agent落地的关键基础设施 OpenAI近期开放了Codex Harness的核心架构，这不仅是CLI工具的开源，更是将AI Agent的运行时系统（Runtime）完整开放。Codex Harness作为模型外层的"操作系统"，解决了AI在实际工程中面临的关键挑战：核心能力：提供线程管理、工具调度、权限控制等基础设施，支持持续任务的状态维护（Thread）、执行周期（Turn）和结构化事件流（Item）工程价值

2026-08-24 11:14:35 664

原创拆解多模态大模型：视觉编码器、Projector与LLM

摘要：多模态大模型通过连接视觉编码器与大语言模型（LLM）实现图像理解能力。视觉编码器（如ViT）将图片切分为Patch并转换为视觉特征，Projector（线性/MLP/Q-Former）负责将这些特征映射为LLM可理解的视觉Token，解决模态与语义对齐问题。其中，Q-Former通过可学习Query主动筛选关键视觉信息，显著提升效率。最终，LLM结合文本与视觉Token进行推理生成。该架构避免了重新训练庞大模型，通过模块化组合实现高效多模态交互。

2026-08-20 11:32:37 370

原创 Agent用户偏好记忆设计：从原理到实战

摘要： Agent 要实现真正“懂你”的长期记忆，需构建分层用户偏好系统，而非简单存储聊天记录。文章剖析了生产环境中 Agent 记忆的常见问题（记错、污染、过度记忆等），提出“原始证据+结构化记忆”的双层架构，包含分类（表达/技术/内容/约束/临时偏好）、置信度验证、冲突处理、TTL 机制及安全治理。通过解耦的记忆读写链路（检索→Prompt注入 vs. 提取→分类→验证→写入）和结构化数据模型（含分类/置信度/时效等字段），实现可控、可解释、可演进的 Memory 系统，并给出 Python 实现思路与

2026-08-19 22:55:15 412

原创 Agent CLI：保姆级实战指南

Agent CLI 正在改变开发者与终端的交互方式。本文从实际开发痛点出发，深入讲解 Agent CLI 的核心原理与主流工具选型，并以 Claude Code 为例，手把手演示从安装配置到自动化测试修复的完整流程。文章还汇总了高频报错与避坑指南，帮你快速落地。建议收藏，附完整流程图与配置示例。

2026-08-18 11:20:23 529

原创 LLM Wiki实战：从RAG到可生长知识库

本文介绍了LLM Wiki这一新型知识管理架构，与RAG（检索增强生成）相比具有显著差异。LLM Wiki通过大语言模型将原始资料编译为结构化的Wiki知识页面，支持持续积累和增量更新，形成持久化知识层。核心要点： LLM Wiki与RAG的区别：RAG侧重检索原文，LLM Wiki侧重知识沉淀三层架构：原始资料层、Wiki知识层和规范管理层关键优势：跨文档知识关联、矛盾检测、历史版本追踪混合方案建议：结合RAG、Wiki和知识图谱的优势文章提供了可实施的架构设计和目录结构，强调保持原始资料作为证

2026-08-17 15:58:20 560

原创模型安全：一文搞懂后门攻击

摘要后门攻击是一种隐蔽的深度学习模型安全威胁，攻击者通过操纵训练数据或模型参数，使模型在正常输入时表现正常，但遇到特定触发模式时输出预设结果。本文系统梳理了后门攻击与防御技术，重点分析了Dirty-Label和Clean-Label两种攻击范式，以及检测与修复方案。文章指出，传统模型评估指标（如准确率）难以发现后门威胁，因为后门模型在常规测试中表现与正常模型几乎无差异，仅当特定触发器出现时才暴露异常行为。研究始于2017年BadNets工作，揭示了模型供应链中的安全隐患。文章还探讨了后门攻击与数据投毒、对

2026-08-17 15:30:35 484

原创 LLM安全实战：提示词注入与越狱攻击防御指南

本文解析了大语言模型（LLM）面临的两大安全威胁：提示词注入（Prompt Injection）和越狱攻击（Jailbreak）。文章首先通过真实案例展示攻击危险性，指出LLM因缺乏"指令/数据"边界而天生易受攻击。核心内容分为三部分：1）详解攻击原理，包括直接/间接注入、角色扮演越狱等6类手法及危害；2）提出多层防御框架，包含输入过滤、指令隔离、输出审查和权限控制；3）提供可落地的防御方案与检查清单。文章强调需采用结构化提示词隔离用户输入与系统指令，并通过Mermaid流程图和对比表直观展示攻击分类与防御

2026-08-16 17:05:59 445

原创 DeepSeek Harness保姆级实战：一文搞懂Agent Harness

DeepSeek Harness 是官方开源的 Agent 运行时框架，其核心价值在于将大模型能力转化为可执行任务的工作流（如代码分析/修改/测试）。与直接调用 API 不同，它通过插件化架构（Cordis）整合模型、工具、沙箱、会话等组件，支持 Standard/Code/Minimal/Creator 四种运行模式。本文详解其架构原理、Web UI/Headless/Python SDK 三种使用方式，并梳理权限控制、会话复用等实践要点。当前处于开发者预览阶段，适合需要定制 Agent 基础设施的团队。

2026-08-15 11:35:19 2389

原创 LLM能力与边界：多模态、幻觉、上下文窗口及开源模型对比

文章摘要：本文系统分析了大语言模型（LLM）的核心能力（文本理解、多模态、工具调用）与固有边界（幻觉、上下文窗口限制、知识截止），通过表格对比2026年主流开源模型（Llama 4、Qwen3、DeepSeek等）的关键参数与特性。针对模型缺陷，提出RAG、Agent工具调用等工程解决方案，并给出选型建议：中文场景优选Qwen3/GLM，多模态考虑Qwen3-VL，长文本处理需谨慎评估实际可用性，强调开发者应根据业务需求而非参数规模理性选择模型。

2026-08-15 11:14:14 360

原创 Redis Stream 消息队列：核心机制与特性解析

本文深入解析Redis Stream的核心机制与特性，指出其作为轻量级消息队列的优势。相比Redis List，Stream通过只追加日志结构实现消息持久化，支持消息回溯和重复消费。关键特性包括：消息ID有序性、消费者组实现并行与独立消费、"读取+确认"两阶段模型、Pending List保障可靠重试、按ID回溯历史消息等。这些机制使Stream特别适合需要消息确认、重试和回溯的场景，如订单处理、事件通知等。文章通过流程图和状态图直观展示了Stream的消息流转过程，帮助读者理解其设计理念与适用边界。

2026-08-14 14:43:21 359

原创阿里云OSS实战：Python SDK上传下载全指南

还在为服务器文件存储容量焦虑？阿里云OSS提供海量、安全、低成本的对象存储服务，是云原生时代文件管理的利器。本文从开通OSS、创建Bucket讲起，带你搞懂AccessKey、Endpoint等核心概念，并通过Python SDK完整实现文件上传、下载、列举、删除与预签名URL生成。文中包含可运行代码、运行结果及常见踩坑记录，助你快速上手阿里云OSS，为生产环境文件管理打下坚实基础。

2026-08-14 14:13:57 211

原创多智能体通信方式

本文系统介绍了多智能体系统的三种核心通信方式及其实现。通过类比组织协作模式（直接沟通、项目经理协调、广播系统）清晰区分了直接调用、编排器+Subagent和事件总线三种范式。文章提供了基于Python标准库的最小可运行实现，包含共享上下文管理和循环调用检测等关键功能。针对每种通信方式，作者不仅给出架构图和代码示例，还分享了工程实践中遇到的典型问题（如循环调用、消息积压）及解决方案。最后强调实际系统常混合使用多种通信模式，并提供了延伸学习路线图。该文可作为多智能体系统开发的实用参考指南。

2026-08-13 11:19:27 242

原创 Agent 四大核心范式深度解析：ReAct、Plan‑and‑Execute、ReWOO 与 LLM Compiler

本文系统介绍了四种AI智能体（Agent）设计范式，帮助解决大模型在任务执行中的效率与可靠性问题。四种范式分别是：1）ReAct（推理与行动交替），适合探索性任务但延迟较高；2）Plan-and-Execute（先计划后执行），适合结构化复杂任务；3）ReWOO（无观察推理），通过批量执行工具调用减少交互次数；4）LLM Compiler（并行任务分解），利用DAG实现高效并行处理。文章通过流程图、伪代码和对比表格详细解析各范式的原理、优势及适用场景，建议根据任务特性（如步骤确定性、并行可能性和延迟要求）选

2026-08-12 12:13:30 300

原创 Agent评估：Agent到底靠不靠谱？

文章摘要： Agent评测是确保AI系统可靠性的关键，尤其在RAG Agent等复杂场景中。评测涵盖五大维度：任务完成质量（答案正确性、用户满意度）、推理能力（逻辑自洽性）、工具使用能力（调用准确性）、鲁棒性与安全性（抗攻击、抗幻觉）、效率与成本（延迟、Token消耗）。针对RAG Agent，需重点关注检索质量（命中率、MRR等）和生成质量（忠实度、幻觉率等），并通过端到端指标（任务成功率、用户满意度）验证整体表现。科学评测需结合自动化工具与人工校验，以平衡性能与成本，避免“盲飞”上线。

2026-08-12 12:11:44 323

原创 AI Agent 高并发实战：Redis 限流、队列、缓存与高可用全栈方案

以 AI Agent 高并发场景为切入点，系统讲解从网关令牌桶限流、Redis Streams 异步解耦、缓存读写分离与三大难题应对，到分布式锁加看门狗续期、主从哨兵高可用及缓存一致性保障的全链路架构方案。全篇采用 Python 实现，提供可直接落地的代码示例与生产踩坑经验，帮助开发者彻底解决 Agent 项目在高并发下的性能瓶颈与稳定性问题，实用性与深度兼备。

2026-08-12 11:24:15 402

原创 Agent意图识别设计：三层框架设计

在 Agent 系统的生产落地中，意图识别绝不能全部交由 LLM 处理——单次调用高达数百毫秒的延迟和昂贵的推理成本，会直接拖垮系统性能和预算。

2026-08-12 10:38:49 1261

原创 Harness Engineering 基石：构建 LLM 应用可追溯性——LangSmith、Langfuse 与 Sentry 深度解析

当软件从确定性逻辑迈入概率生成时代，我们不再只是“调试代码”，而是要驾驭大语言模型的复杂行为。Harness Engineering（驾驭工程）将可追溯性视为基石，而LangSmith、Langfuse与Sentry正是构建这一能力的“三剑客”。LangSmith在开发期提供精细的实验追踪与链路可视化，让每次模型调试有据可依；Langfuse作为开源观测底盘，在生产环境全量记录每次调用、实时核算成本与质量评分；Sentry则聚焦异常瞬间，捕获堆栈并还原上下文，确保故障绝不“死无对证”。三者互补，覆盖“实验→

2026-08-11 09:32:10 353

原创 Hermes Agent：“自我学习”的Agent

Hermes框架的出现，标志着AI Agent正从**“被调用的工具”向“共同成长的伙伴”**演进。如何让AI在持续使用中变得越来越懂你、越来越有用。可以预见，随着自改进Agent技术边界的不断拓展，我们与AI的关系将从“使用者与工具”演变为“伙伴与伙伴”。而Hermes，正在为这个未来铺设基础设施。

2026-08-10 15:29:07 504

原创 Harness Engineering：Pi Agent 架构深度解析

## 摘要本文深度解析开源 Agent 框架 **Pi** 的架构设计。Pi 遵循 Unix 哲学，仅封装 `read/write/edit/bash` 四个原子工具，通过组合而非堆砌实现场景化能力。其核心是 `agentLoop` 双嵌套循环与三阶段工具执行流水线，配合 25+ Hooks 扩展系统、树形 JSONL 持久化与三种压缩机制，完整覆盖了 Harness Engineering 的 Loop、工具治理、可观测、HIL、上下文管理与压缩等设计要点。Pi 是生产级 Agent 工程化的活教材。

2026-08-10 15:23:55 801

原创 AI Agent 上下文压缩设计

核心思想：用 LLM 或专用模型将长文本压缩成短摘要，保留语义信息，丢弃细节。这是最直观的压缩方法。LangChain Deep Agents 会在上下文达到一定阈值时，触发对消息历史的摘要压缩。Claude Code 的“auto-compact”功能也采用了类似思路：当对话记录使用率超过 95% 时，自动把几百轮对话压缩成核心要点。摘要策略的优势是压缩率高，代价是可能丢失精确信息（如 ID、堆栈跟踪、错误码等），且摘要本身需要消耗额外的 LLM 调用成本。Agent 上下文压缩，本质上是在“成本”

2026-08-09 08:52:12 408

空空如也

空空如也