AI 大模型学习不踩坑-优快云博客

原创当每个 Agent Skill 都在构建记忆层，记忆已成为 Runtime 基础设施

当记忆层基础设施化完成后，下一步必然是「记忆的编排」（memory orchestration）——记忆的写入、消费、博弈（多 Agent 对同一事实的不同记忆如何收敛），将催生出一类新的中间件。比如「投诉升级 Skill」在接手一个退换货投诉时，可以跨命名空间检索到「订单 Skill 写入的 last_order」「退换货 Skill 写入的 credit_level」，从而获得完整上下文——当记忆从「单个 Skill 的私有财产」变成「多个 Skill 的共享资源」时，它的性质就变了——

2026-11-05 20:38:47 238

原创 DeepSeek Harness 和 Pi Agent 怎么选？先想清楚你愿意折腾什么

回到标题那句「先想想你愿意折腾什么」——这才是分水岭。是一张白纸，你用代码画 Agent 的骨骼。它累，但每一笔都是你的，你会真正理解 Agent 是怎么转起来的。Pi Agent是一套乐高，积木已经开好模，你专注搭造型。它快，让你把精力放在「这个 Agent 要解决什么业务问题」上，而不是「Agent 怎么循环调用工具」。没有哪条路天然更高贵。工程师的成熟，体现在知道什么时候该省下造轮子的时间，也知道什么时候必须亲手拆开轮子看看里面的轴承。新手上手时，两条路都走一遍。

2026-11-05 20:36:04 174

原创大厂老兵从零学 Agent 开发：从概念到可运行实战

如果你在大厂做过几年后端、算法或前端，你一定有过这种错觉：Agent 不就是「LLM + 几个 if-else + 调几个 API」吗？模型会幻觉调用不存在的工具；多轮对话里上下文会爆炸；工具调用失败后没有重试与降级；上线后无法观测每一步到底发生了什么；成本、延迟、稳定性三座大山压下来，Demo 和生产的差距是数量级的。这篇文章面向「有工程基础、但没系统做过 Agent」的开发者，用一个能跑起来的完整项目。

2026-11-05 20:33:36 287

原创一个程序员眼中的 AI 核心概念：LLM、Agent、MCP、Skill 与 RAG 全解析

LLM 只会「说」，Agent 让它「做」。Agent（智能体）的本质是一个循环：模型接收任务 → 判断是否需要调用工具 → 如果需要就生成工具调用参数 → 外部代码执行工具 → 结果回传给模型 → 模型继续推理，直到给出最终答案。这个模式最经典的实现叫ReAct（Reasoning + Acting，推理与行动交替）。对程序员来说，Agent 就是给模型加了一个带「函数调用（Function Calling）」能力的运行时。fill:#333;important;important;

2026-11-05 20:32:28 291

原创 Sandbox（沙箱）到底是什么？从原理到代码实战的完整指南

沙箱是一种受控的执行环境，它限制运行其中的代码能够访问的资源（CPU、内存、文件、网络、系统调用等），并保证即使代码是恶意的或崩溃的，也不会影响宿主系统和其他程序。要素含义举例隔离边界明确"里面"和"外面"的界限进程、命名空间、虚拟机资源限制限制里面能用多少资源cgroup、rlimit、内存上限权限收敛限制里面能做什么操作只有三者同时具备，才算一个"合格"的沙箱。只做隔离不做限制，恶意代码可以耗尽宿主机资源；只做限制不做隔离，代码仍然能读写宿主机文件。Sandbox 到底是什么？它是一个。

2026-11-05 20:27:39 305

原创 Harmony 7.0 Skill 实战：自动化操作 AGC 应用全流程详解

Harmony 7.0 Skill 将原本需要大量人工点击的 AGC 操作变成了可编程、可重放、可审计的自动化流程。本文覆盖了从环境配置、核心 API、CLI 命令到 CI/CD 集成的完整链路，并提供可直接运行的代码示例。在生产实践中，建议先在测试项目上验证 Skill 的全部能力，再将发布流程迁移到流水线中。自动化不是目的，稳定可靠的交付才是最终目标。对于多应用团队，还可以基于 Skill 封装自己的发布平台，将「创建应用、上传包体、配置服务、提审、发布」做成可视化界面，进一步降低协作成本。

2026-11-04 15:16:58 276

原创从线性 RAG 到 Agentic RAG：用 LangGraph 搭一个会判断、会纠错、会兜底的检索闭环

State 是整个图的「共享内存」，所有节点读写它。用TypedDict声明，配合Annotated做增量更新。# 输入question: str # 用户原始问题# 中间产物rewritten_question: str # 改写后的查询documents: list[Document] # 检索到的文档generation: str # 生成的答案# 控制字段need_retrieval: bool # 是否需要检索docs_relevant: bool # 文档是否相关。

2026-11-04 15:11:49 255

原创 LangChain PromptTemplate 提示词模板详解：从原理到代码实战

("system","你是一位严谨的技术文档助手。请仅根据提供的上下文回答问题。\n""如果上下文中没有答案，请直接回答「根据已有资料无法回答」，不要编造。\n\n""上下文：\n{context}"),])解决单轮文本模板问题；是对话场景的主力，配合可灵活插入示例与历史；用示例稳定输出格式；partial预填充固定变量，PipelinePromptTemplate组合复杂提示词；与配合，实现"提示词约束 + 结构化解析"的闭环。

2026-11-04 15:09:01 229

原创 DeepSeek Harness 安装配置保姆级教程（含代码实战）

在进入安装配置之前，我们先弄清楚「DeepSeek Harness」到底指什么。：由 EleutherAI 维护的开源模型评测框架，全称。它支持统一的接口来评测 GPT、LLaMA、Qwen、DeepSeek 等大量模型，是当前最主流的 LLM 评测脚手架。DeepSeek 相关的推理/评测入口：既包括用或vLLM加载 DeepSeek 系列模型后接入 harness 评测，也包括 DeepSeek 官方或社区提供的示例配置。在一台 Linux 服务器上安装。

2026-11-04 15:07:31 287

原创 DeepSeek Harness 安装配置保姆级教程（附实战示例）

是 DeepSeek 官方开源的评测与推理脚手架，主要用于以统一方式接入 DeepSeek 系列模型（如 DeepSeek-V3、DeepSeek-R1、DeepSeek-Coder）进行推理、评测和批量任务处理。它基于 Hugging Face 生态构建，常见的仓库名称为系列，社区也常把配套的推理/评测工具统称为“harness”。本地环境初始化安装与配置 DeepSeek 相关工具链配置 API Key 与模型参数跑通第一个实战示例排查常见安装问题。

2026-11-04 14:48:51 189

原创 DeepSeek Harness 入门：从安装到第一个 Agent 任务

在开始动手之前，先对齐两个核心概念。DeepSeek是由深度求索推出的大语言模型系列，其对话模型与推理模型都提供了兼容 OpenAI 协议的 HTTP API。这意味着我们不需要重写一套新的 SDK，直接使用熟悉的 OpenAI SDK 就可以调用。Agent（智能体）可以理解为一个会「自己动手」的 AI：它不仅能生成文字，还能在模型输出的指引下调用外部工具（查询天气、执行代码、搜索文档等），然后把工具返回的结果再次交给模型，直到得出最终答案。

2026-11-03 21:23:13 227

原创 WorkBuddy 短视频自动化全链路：从脚本到出镜的架构设计

有了各个能力模块，接下来要把它们串成一条链。if issues:# 带问题重写一次。

2026-11-03 21:20:38 255

原创 Harness Engineering 入门：Agent = Model + Harness

Harness Engineering（挽具工程）是指围绕模型构建执行外壳的工程实践：它定义模型如何接收输入、如何调用工具、如何管理状态、如何被约束、如何被观测、如何被评估。类比ModelHarness汽车发动机底盘、变速箱、方向盘、刹车马马本身挽具、缰绳、车辕员工大脑工位、流程、权限、KPI模型再聪明，如果没有缰绳和车辕，也拉不动车。工具是 Harness 与外部世界交互的唯一通道。@dataclassname: str"""转成模型可理解的工具描述"""return {

2026-11-03 21:16:12 327

原创什么是 RAG？如何用 RAG 实现一个用户记忆系统（附完整代码实战）

在有限的上下文窗口内，让模型始终掌握与当前用户相关的关键信息。事实记忆（Semantic Memory）：用户是谁、职业、所在城市、技术栈偏好等相对稳定的信息。情景记忆（Episodic Memory）：某次对话中发生的事件，如「上周用户说项目要上线」。程序记忆（Procedural Memory）：用户的交互偏好，如「喜欢简洁回答」「讨厌用 emoji」。先定义记忆的核心字段。一条记忆至少需要：唯一 ID、所属用户、内容、向量、重要性、创建与访问时间。"""单条用户记忆"""

2026-11-03 21:13:23 198

原创 DeepSeek Harness 从零上手：从认识到写出第一个插件

Harness 本身提供统一的插件基类BasePlugin，但为了让概念更透明，我们先自己看一眼它长什么样。你可以在"""第一个插件：把用户输入原样附加到一个标签里返回。"""# 插件唯一标识，注册器依赖这个 name 查找插件# 人类可读描述，会出现在插件列表与帮助信息中description = "回显用户输入的字符串，可用于测试插件链路是否打通"# 语义化版本"""初始化阶段：读取配置、建立资源连接等。"""# 从 config 中读取前缀，默认值是 "[echo]"

2026-11-03 21:09:01 197

原创 LangGraph 实现上下文过长裁剪：从原理到代码实战

基础版会彻底丢失早期对话。对于需要长期记忆的场景（比如多轮需求确认），我们引入摘要压缩：把被裁掉的消息先用 LLM 总结成摘要，再把摘要作为一条拼接到窗口消息之前。摘要的质量直接影响模型对早期信息的记忆效果。可以在摘要 Prompt 中加入结构化要求（如强制输出 bullet list），或者在摘要生成后做人工抽查。多轮裁剪后，摘要会不断叠加。"""新旧摘要合并后再次压缩，控制总长度"""

2026-10-30 19:37:00 24

原创 LangGraph 入门：为什么 Agent 需要 Graph 工作流（含代码实战）

Graph 工作流把 Agent 的运转过程抽象成一张有向图fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;达标不达标START 入口生成草稿审校评分是否达标END 输出图中每个**节点（Node）是一个可执行步骤，每条边（Edge）定义控制流方向，而状态（State）**是贯穿整张图的共享数据载体。循环：边可以指回上游节点。条件分支。

2026-10-30 19:33:11 254

原创 Agent 开发思考笔记：LLM + Memory + Tool + RAG + MCP + Skills

过去一年，我陆续做过几个 Agent 项目：客服工单自动处理、内部知识库问答、代码仓库巡检助手。踩过的坑比写过的代码多得多。最初我以为 Agent 就是「LLM + 几个 function call」，后来发现真正难的不是让模型调用工具，而是让它在多轮、长任务、有外部知识、有工具副作用的场景下保持稳定。LLM：大脑，负责理解、规划、决策Memory：记忆，负责跨轮次、跨会话的状态保持Tool：工具，负责与外部世界交互RAG：检索增强，负责把私有知识注入上下文MCP。

2026-10-30 19:27:46 130

原创 2026 AI Agent 开发学习路线：从小白到全栈，这波红利必须抓住！

2026 年的 AI Agent 已经从概念验证走向工程落地。你不需要成为算法专家：掌握 Python、理解 ReAct 循环、会用 LangGraph 编排流程、能接 RAG 和 MCP，再把服务用 FastAPI + Docker 部署出来，就已经是一名合格的 Agent 全栈开发者。红利窗口不会永远敞开，现在就是最佳入场时间。从本文的六阶段路线出发，把每一段代码亲手跑通，再把它改造成属于你自己的项目。剩下的，交给时间。

2026-10-30 19:26:41 207

原创从 0 开始实现个人最简 Harness 项目（附代码实战）

Harness 这个概念在不同领域有不同含义。本文讨论的不是 CI/CD 平台 Harness，而是「测试/评估骨架」这一类工程里常用的抽象：把一组任务、一组输入、一组评判标准拆开，让引擎自动跑流程、收集结果、汇总报告。定义任务：我要跑什么。定义执行：任务怎么被调用。定义评判：结果对不对、好不好。输出报告：跑完之后谁来汇总给我看。本文会从零开始，逐步实现一个可扩展的小型 Python Harness：支持注册任务、动态加载数据、多任务执行、规则化评分、JSON 报告导出。

2026-10-30 19:23:57 25

原创 LangChain4j 新手入门实战教程（Java版）：从零搭建你的第一个 AI 应用

ChatMemory 负责维护对话历史，并在每次请求时自动将历史消息注入到上下文中。：只保留最近 N 条消息。：按 Token 数量截断历史。：持久化存储，适合生产环境。LangChain4j 支持通过@Tool注解来定义工具方法。import dev// 模拟天气查询工具 static class WeatherTool {@Tool("查询指定城市今天的天气情况") public String getWeather(String city) {

2026-10-28 20:09:54 136

原创 OpenClaw (Moltbot) 安装教程：从 0 搭建本地 AI 助手

安装 OpenClaw：掌握了 Docker、npm、npx 三种安装方式。核心配置：理解了的结构，能配置多 Agent、多模型、多渠道。本地模型接入：配合 Ollama 实现完全离线运行。Telegram 接入：把助手搬到手机上，并做好白名单安全防护。Skills 扩展：用SKILL.md给助手增加自定义能力。生产化部署：用 systemd 或 Docker Compose 保证服务稳定运行。

2026-10-28 20:07:28 294

原创 Agent Skills 完全指南：从目录规范到渐进式加载的工程实践

目录规范让技能静态可发现、可迁移、可评审。索引与实现分离支撑渐进式加载，启动成本不随技能数量线性膨胀。统一执行模型把超时、取消、错误码、Schema 校验收敛到框架层，技能开发者只写业务。契约测试用自动化守住目录规范，协作规模扩大后依然可控。这套设计已经在「搜索 + 文件写入」的最小闭环中全部跑通。后续可以自然扩展的方向包括：技能热更新（监听 index.json 变化后失效 L2 缓存）、跨进程技能网关（handler 运行在独立沙箱进程）、以及基于 Agent 反馈的技能自动评估与版本升降级。

2026-10-28 20:04:01 160

原创 Skills 与 MCP：从原理到代码实战，彻底搞懂两者的区别

MCP Server）负责连接数据——它是一个独立进程，肚子里装着数据库连接能力SkillSKILL.md）负责定义流程——它告诉模型"先查什么、再比什么、最后输出什么"模型是执行者——它读懂了 Skill 的指引，调用了 MCP 的工具，产出了报告fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;用户提问：分析本月用户增长。

2026-10-28 19:56:19 306

原创 RAG 技术全栈指南 | 第一章解锁 RAG

RAG 的本质可以概括为一句话：让语言模型“开卷考试”，而不是“闭卷作答”。传统 LLM 回答问题依赖参数记忆，相当于闭卷；RAG 则先把相关资料检索出来，再让模型带着参考资料作答，相当于开卷。检索到的资料被称为上下文证据（Context），它们会成为提示词的一部分。

2026-10-28 19:52:31 174

原创 Claude Code 循环（Loops）入门：从 /goal 到 /schedule 的四种模式实战

Claude Code 的Loops（循环模式）是一组让 Claude 持续、自主执行任务的能力。普通的 Claude Code 会话是你问一句、它答一句；而 Loops 允许你预先定义目标、触发时机和退出条件，让 Claude 在后台反复运行，直到任务完成或你手动停止。持续盯盘：每隔一段时间检查服务健康状态、依赖更新或证书过期时间。目标驱动：给定一个长期目标，让 Claude 不断尝试、验证、修正，直到满足验收标准。自动巡检：定时拉取日志、汇总日报、生成周报。迭代开发。

2026-10-27 19:17:41 118

原创用 Spring AI 搭建你的第一个 Agent：从零开始的详细实战指南

Agent 到底是什么？简单来说，Agent 是一种能够自主调用工具、多步推理并完成复杂任务的 AI 应用形态。普通聊天机器人：你问它答，只依赖模型自身知识；Agent：模型可以调用外部工具（如搜索网页、查询数据库、调用本地函数），并根据工具返回的结果继续推理，直到完成任务。Spring AI 是 Spring 官方推出的 AI 应用开发框架。统一的 AI 接口抽象：一套 API 适配 OpenAI、Ollama、通义千问、智谱等多种大模型；原生支持 Agent 与 Tool Calling。

2026-10-27 19:14:45 284

原创 LangChain 基础知识详解：从核心概念到代码实战

tool"""计算两个整数之和。"""@tool"""查询指定城市的天气。"""return f"from langchain_core . tools import tool @tool def add(a : int , b : int) - > int : """计算两个整数之和。""" return a + b @tool def search_weather(city : str) - > str : """查询指定城市的天气。city } 今天晴，25 摄氏度。今天晴，25 摄氏度。

2026-10-27 19:09:56 184

原创给 AI 的 Agent 实现指南：可控 Agent 的关键

状态机：显式定义状态与跳转，禁止无界循环；工具约束：白名单、参数校验、权限分级、只读优先；计划-执行-反思：执行步骤先规划后运行，不允许临时越界；：高风险操作一律中断，人工批准；护栏 + 评估：输入输出双重校验，上线前用固定用例回归。最大执行步数是否已设置？是否有步数耗尽时的「安全停止」策略？工具是否全部有权限等级？默认是否只读？工具参数是否做了服务端校验？高风险操作是否都有 HITL？system prompt 是否抗注入？输出是否经过结构化校验？

2026-10-27 19:04:46 344

原创手把手教你用 LangGraph 搭建三层嵌套 Agent 架构（附完整可运行代码）

顶层 Supervisor 负责意图理解、任务路由和终止判断；中层三个领域专家各自是独立子图，内部完成「模型 ↔ 工具」循环；底层工具执行层职责单一，按需绑定给对应专家。这套模式可以直接迁移到真实的业务项目中。掌握之后，你可以继续扩展并行执行、人工审批节点、持久化状态、子图输入输出裁剪等能力，逐步构建出更稳健的多 Agent 系统。

2026-10-27 17:12:38 141

原创代码审查 Agent Harness 实战：用 AI 自动做 Code Review

让模型自由输出 Markdown 是最容易失控的做法。我们先用 Pydantic 定义「一条审查意见」的强约束结构，后续所有环节都围绕它工作。BLOCKER = "blocker" # 必须修复才能合并MAJOR = "major" # 强烈建议修复MINOR = "minor" # 可选优化NIT = "nit" # 风格建议file: str = Field(description="文件路径，必须与 diff 中的路径完全一致")

2026-10-26 19:50:17 96

原创 AI Agent 驾驭指南：从 ReAct 到多智能体协作的工程实战

"""查询城市天气（模拟数据）""""北京": "晴，26°C，适合出行","上海": "多云，28°C，午后有阵雨","深圳": "雷阵雨，30°C，记得带伞",return weather_db.get(city, f"未收录def get_weather(city : str) - > str : """查询城市天气（模拟数据）""" weather_db = {

2026-10-26 19:45:38 261

原创 RAG 系统进化论（一）：纵览 RAG 的发展历程

本文从 RAG 的前世今生讲起，梳理了原始 RAG → 朴素实现 → Advanced RAG → Modular RAG的完整演进脉络，并给出了可运行的代码实战。RAG 解决的是"大模型知识陈旧 + 幻觉"问题，通过"先检索、再生成"为模型注入实时、私有的外部知识。朴素 RAG 只是起点，生产环境必须引入查询重写、混合检索、重排序等 Advanced 技巧，检索质量才有保障。模块化与智能体化是大势所趋，RAG 正在从一条"管道"演化为一个"可自主决策的系统"。

2026-10-26 19:42:20 139

原创 5 分钟看懂 DeepSeek Harness：从原理到代码实战

DeepSeek Harness 可以理解为一套围绕 DeepSeek 模型（如 DeepSeek-V3、DeepSeek-R1）打造的推理与评测接入层。它把“模型加载、对话模板、推理调用、批量评测”这些高频动作封装成统一接口，让开发者不必关心底层实现差异，就能快速在本地或服务器上跑通模型。统一入口：不同尺寸、不同量化版本的 DeepSeek 模型，用同一套 API 调用。标准对话协议：自动处理 system / user / assistant 角色、特殊 token 与消息拼接，避免手写模板出错。

2026-10-26 19:37:45 179

空空如也

空空如也