收藏!小白也能看懂:从零手把手教你构建AI智能体(附LangGraph实战)

阿里最强小钢炮上线!Qwen3.6-35B-A3B+OpenClaw本地部署全记录 阿里发布高效轻量级开源模型Qwen3.6-35B-A3B,本文详细介绍了基于Ollama的本地部署方案,包括与OpenClaw与飞书机器人的集成方案 阅读详情

本文深入浅出地讲解了AI智能体的概念、特征及其与传统LLM应用的差异,阐述了构建智能体的最佳时机和适用场景。文章详细介绍了智能体设计的基础,包括模型选择、工具定义、指令配置等核心组件,并探讨了单智能体和多智能体系统的编排模式。此外,还强调了智能体运行的安全护栏体系,确保其安全、合规、稳定。最后,通过LangGraph框架实例演示了最小智能体的构建过程,为读者提供了实践指导,助力开启AI工作流时代。

一、什么是智能体(Agent)?

1. 核心定义

智能体(Agent)是一个能够代表用户,以高度独立性完成任务(Workflow) 的系统。它能理解用户目标,自主选择行动路径,并利用外部工具执行任务。

简单来说,它是“能帮你做事的AI”,而不仅仅是“能和你聊天的AI”。

比如你告诉它“帮我分析最新销售数据,并生成周报”,它不会仅仅生成报告模板,而会:

1.查询数据库 → 2. 分析关键指标 → 3. 生成图表 → 4. 写出总结报告 → 5. 邮件发送。

这就是一个完整的 Agent工作流闭环。

2. 与传统LLM应用的区别

很多人把一个能回答问题的聊天机器人当成智能体,这其实是个误区。

智能体与普通LLM应用最大的区别在于:

项目普通LLM应用智能体(Agent)
核心能力生成文本回答完成任务与执行工作流
决策方式静态、被动响应动态、主动决策
工具调用通常无可调用外部API、数据库、系统
状态管理单轮多轮、自主状态追踪
错误处理无反馈能主动识别并纠错

真正的Agent不仅会“说”,更会“做”。

3. 智能体的三大特征

(1)LLM驱动决策

智能体的“大脑”是LLM(如GPT、Claude、DeepSeek等),它会持续判断:

  • 当前任务是否完成;
  • 哪个工具最合适;
  • 结果是否异常;
  • 失败时是否应重试或终止。
(2)具备工具使用能力

它能访问数据库、API、文件系统、甚至调用其他Agent。

工具就像智能体的“手脚”,赋予它真正的行动力。

(3)运行在安全护栏之内

智能体在设计上必须有“边界”——确保不会调用危险API、不会泄露隐私数据,也不会乱执行高风险操作。

二、何时应该构建智能体?

一个非常实用的判断标准是:

如果问题可以用规则穷尽描述,就不要用Agent;如果问题充满模糊性和上下文判断,那就该考虑Agent。

典型场景举例:支付欺诈分析

传统规则引擎就像一份“条件清单”:

若金额>10,000 且 IP 异常 → 触发警报。

但智能体像一个经验丰富的调查员,它能结合交易时间、用户历史行为、语言描述等上下文因素做综合判断。即使数据没有明显异常,它也能感知出“可疑”的行为模式。

这种场景下,规则系统会“漏判”,而Agent能“察觉”。

三、智能体设计基础

一个标准的Agent系统由三部分组成:

  1. 模型(Model):负责理解任务、推理与决策。
  2. 工具(Tools):让Agent能与外界交互(如数据库、API、文件系统)。
  3. 指令(Instructions):定义Agent该如何执行工作流。

我们先看一个结构化示例:

# 以LangGraph为例
from langgraph.graph import StateGraph, END
from langchain_community.llms import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini")
# 定义最小状态
class AgentState:
task: str
result: str | None
# 定义执行节点
def do_task(state: AgentState):
response = llm.invoke(f"帮我完成这个任务: {state.task}")
return AgentState(task=state.task, result=response.content)
# 构建智能体图
graph = StateGraph(AgentState)
graph.add_node("executor", do_task)
graph.set_entry_point("executor")
graph.add_edge("executor", END)
app = graph.compile()
# 测试运行
print(app.invoke(AgentState(task="生成一份销售周报")).result)

这就是一个最小可运行的智能体雏形:

你输入一个任务,它会自动调用大模型完成整个流程。

四、核心组件详解

1. 模型选择(Selecting your models)

智能体的核心是LLM,而不是盲目追求“最强模型”。

选择模型的关键在于平衡准确率、速度与成本:

  • 原型阶段:先用顶级模型(如GPT-4、Claude 3)打样,验证逻辑;
  • 优化阶段:用更小模型(如DeepSeek-R1、Qwen2.5)替代部分流程;
  • 生产阶段:按任务类型动态调度不同模型。

实用建议:

  • 对每类任务建立性能评估指标;
  • 保证关键节点高质量;
  • 用小模型优化边缘任务。

2. 定义工具(Defining Tools)

智能体真正的价值来自它能“动手”。

工具可分三类:

类型作用示例
数据工具检索信息数据库查询、PDF解析、网页搜索
行动工具执行操作发送邮件、更新CRM、生成报告
编排工具控制流程调用其他Agent,协同任务

最佳实践:

  • 工具必须接口清晰、有文档、有测试;
  • 输出格式要标准化;
  • 工具可复用、可组合。

例如,我们定义一个工具来查询本地文件内容:

from langchain.tools import tool
@tool
def read_local_file(filename: str):
"""读取指定文件内容"""
with open(filename, 'r', encoding='utf-8') as f:
return f.read()

然后在智能体中调用:

content = read_local_file("sales_data.txt")
llm.invoke(f"请根据以下内容生成分析报告:\n{content}")

3. 配置指令(Configuring Instructions)

Prompt(提示词)是智能体的“行动指南”。

好的指令能让Agent变得“稳、准、懂边界”。

编写技巧:

  1. 从已有的业务文档或标准流程出发;
  2. 将复杂任务拆分为明确步骤;
  3. 明确定义每一步的输出;
  4. 考虑边缘场景与异常处理。

例如,生成财务报告的指令可以这样写:

instructions = """
你是一个财务分析智能体,目标是基于销售数据生成一份分析报告。
步骤:
1. 读取销售数据。
2. 提取关键指标(销售额、利润、成本)。
3. 识别趋势并分析原因。
4. 输出一份结构化报告(标题、摘要、图表建议、结论)。
"""

五、智能体的编排模式(Orchestration)

编排,就是智能体的“组织架构”。

1. 单智能体系统(Single-agent system)

最基础的形态:一个Agent、多个工具,在循环中执行任务。

优点:

  • 简单;
  • 易维护;
  • 适合小规模自动化。

典型代码:

while not task_done:
next_action = llm.invoke(f"当前任务状态:{state},下一步应该执行什么?")
execute_tool(next_action)

2. 多智能体系统(Multi-agent system)

当任务过于复杂,就需要“团队作战”。

两种模式:

(1)管理者模式(Manager Pattern)

一个中央智能体(Manager)统筹多个子智能体。

比如:翻译Agent、分析Agent、报告Agent。

from langgraph.graph import StateGraph, END
def manager(state):
task_type = llm.invoke(f"请判断任务类型: {state.task}")
if "翻译" in task_type:
return AgentState(task="翻译", result=translator.invoke(state))
elif "分析" in task_type:
return AgentState(task="分析", result=analyzer.invoke(state))
else:
return AgentState(task=state.task, result="任务不匹配")
graph = StateGraph(AgentState)
graph.add_node("manager", manager)
graph.set_entry_point("manager")
graph.add_edge("manager", END)
(2)去中心化模式(Decentralized Pattern)

每个智能体都是独立节点,通过“移交(Handoff)”机制相互协作。

例如客服系统中,分流Agent判断问题类型后,将任务转交给售后或技术支持Agent。

六、护栏体系(Guardrails)

没有护栏的智能体,就像无人驾驶汽车没刹车。

护栏的作用是限制智能体的行为边界,确保安全、合规、稳定。

常见类型:

  • 安全分类器:检测越狱、提示注入;
  • PII过滤器:防止隐私泄露;
  • 工具安全分级:限制高风险操作;
  • 输出验证:确保生成内容合法;
  • 人工干预触发器:在失败或高风险任务时让人类接管。

在LangGraph中,我们可以这样实现:

def pii_filter(output):
if "身份证" in output or "手机号" in output:
raise ValueError("检测到敏感信息,输出被拦截。")
return output

每次模型输出后执行该函数即可形成安全闭环。

七、总结

智能体的本质,不是聊天,而是行动。

它能在模糊场景中理解目标、做出判断、执行步骤、纠错反馈,最终帮人类完成工作。

构建智能体的正确路线图是:

  1. 打好三要素基础(模型、工具、指令);
  2. 选择适合的编排模式(单体或多体);
  3. 构建安全护栏;
  4. 小步迭代、持续验证。

未来每一个企业、每一个岗位,都会有属于自己的“数字助手”。

而理解今天的这些原理,就是你通向“AI工作流时代”的第一步。

最后

对于正在迷茫择业、想转行提升,或是刚入门的程序员、编程小白来说,有一个问题几乎人人都在问:未来10年,什么领域的职业发展潜力最大?

答案只有一个:人工智能(尤其是大模型方向)

当下,人工智能行业正处于爆发式增长期,其中大模型相关岗位更是供不应求,薪资待遇直接拉满——字节跳动作为AI领域的头部玩家,给硕士毕业的优质AI人才(含大模型相关方向)开出的月基础工资高达5万—6万元;即便是非“人才计划”的普通应聘者,月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂,非“人才计划”的AI相关岗位应聘者,月基础工资也约有3万元,远超其他行业同资历岗位的薪资水平,对于程序员、小白来说,无疑是绝佳的转型和提升赛道。
图片
图片
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说,现在正是最好的学习时机:行业缺口大、大厂需求旺、薪资天花板高,只要找准学习方向,稳步提升技能,就能轻松摆脱“低薪困境”,抓住AI时代的职业机遇。

如果你还不知道从何开始,我自己整理一套全网最全最细的大模型零基础教程,我也是一路自学走过来的,很清楚小白前期学习的痛楚,你要是没有方向还没有好的资源,根本学不到东西!

下面是我整理的大模型学习资源,希望能帮到你。

图片

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

最后

1、大模型学习路线

img

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有,跟着老师学习事半功倍。

在这里插入图片描述

3、 入门必看大模型学习书籍&文档.pdf(书面上的技术书籍确实太多了,这些是我精选出来的,还有很多不在图里)

在这里插入图片描述

4、 AI大模型最新行业报告

2026最新行业报告,针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估,以了解哪些行业更适合引入大模型的技术和应用,以及在哪些方面可以发挥大模型的优势。

img

5、面试试题/经验

img

【大厂 AI 岗位面经分享(107 道)】

img

【AI 大模型面试真题(102 道)】

img

【LLMs 面试真题(97 道)】

img

6、大模型项目实战&配套源码

img

适用人群

在这里插入图片描述

四阶段学习规划(共90天,可落地执行)
第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身:基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例:如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

    在这里插入图片描述

3、这些资料真的有用吗?

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理,现任上海殷泊信息科技CEO,其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证,服务航天科工、国家电网等1000+企业,以第一作者在IEEE Transactions发表论文50+篇,获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目,无论你是小白还是有些技术基础的技术人员,这份资料都绝对能帮助你提升薪资待遇,转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

LangGraph 从0到1:手把手教你实现 ReAct 研究员智能体 本文手把手教你用LangGraph实现一个具备ReAct模式的智能体研究员。核心内容包括:1) 理解ReAct模式(Reason-Action-Observe循环),让AI具备思考-行动-观察的能力;2) 掌握LangGraph三要素:状态管理(共享记事本)、节点(工作站)和边(流程控制);3) 实战演示:配置Tavily搜索工具和GPT-4模型,定义思考节点和执行节点,构建智能体工作流。通过学习,你将实现一个能自主使用网络搜索工具解答复杂问题的AI研究员。 阅读详情

相关推荐

从零构建LangGraph智能体:基于Ollama本地模型与工具调用的AI应用开发实战

在AI应用开发领域,智能体(Agent)已成为实现复杂任务自动化的核心技术。其核心原理在于通过有状态、可循环的工作流,模拟人类的“思考-行动-观察”决策过程,从而超越传统线性对话模型。这一技术价值在于能够整合外部工具与知识,处理多步骤、条件分支的复杂逻辑,广泛应用于智能客服、数据分析与自动化流程等场景。本文以LangGraph框架为核心,结合Ollama本地大模型,手把手演示如何从环境搭建开始,逐步构建一个具备记忆管理、条件循环及工具调用能力的实用智能体,并通过集成计算器与RAG工具,赋予其执行具体任务和访

weixin_30565327的博客 721

金三银四跳槽季必藏!2026 字节校招薪资大揭秘,AI 岗成应届生薪资天花板

对于正在迷茫择业、想转行提升,或是刚入门的程序员、编程小白来说,有一个问题几乎人人都在问:未来10年,什么领域的职业发展潜力最大?答案只有一个:人工智能(尤其是大模型方向)当下,人工智能行业正处于爆发式增长期,其中大模型相关岗位更是供不应求,薪资待遇直接拉满——字节跳动作为AI领域的头部玩家,给硕士毕业的优质AI人才(含大模型相关方向)开出的月基础工资高达5万—6万元;即便是非“人才计划”的普通应聘者,月基础工资也能稳定在4万元左右。

大模型研究中心 1007

一文搞懂 Agent Skills:从“会聊天”到“会干活”,Agent Skills 到底改变了什么?

Agent Skills 通常可以直译为“智能体技能”,是一种给智能体“加技能包/工作流插件”的标准化方式。从本质上看,它的作用类似于给 Agent 安装“技能包”或“工作流插件”——把完成某一类任务所需的知识步骤和工具使用方式整体封装起来,供 Agent 在合适的时机自动调用和执行,而不再依赖人类反复编写提示词来引导。如果将 Agent 理解为一个能够自主完成任务的“数字员工”,那么 Skills 就是它所掌握的具体“工种”或“手艺”。

人不风流枉少年 1671

一文看懂Agent Skills带来的AI变革!

Skills 通过指令和代码为 Claude 提供新功能,虽然这使它们功能强大,但也意味着恶意 Skill 可以指导 Claude 以与 Skill 声称的目的不匹配的方式调用工具或执行代码。Skills 是可重用的、基于文件系统的资源,为 Claude 提供特定领域的专业知识:工作流、上下文和最佳实践,将通用代理转变为专家。Claude 在具有文件系统访问权限的虚拟机中运行,允许 Skills 作为包含指令、可执行代码和参考资料的目录存在,组织方式就像你为新团队成员创建的入职指南。

JavaEdge全是干货的技术号 4210

深度对比 OpenClaw 与 Harness:个人助理 vs 企业级 AI 工程范式

维度OpenClawHarness(架构层面)架构形态具体产品/框架抽象范式/方法论核心组件执行层 + 评估层 + 控制层通信方式WebSocket 总线,本地回环优先依赖具体实现,无统一标准扩展方式插件机制(Skills)+ Channels七大模块各自独立选型架构思想致敬 Unix 哲学,三层解耦工业级分层管控维度OpenClawHarnessGitHub 星标34 万+(历史第一)分散到多个项目大厂支持多家云厂商一键部署。

lukabruce的博客 1173

抖音私信卡片私信名片的原理分析

简单说一下它的功能吧:抖音私信卡片,解决了客户封号严重、引流效率低的痛点,所以从去年到现在,依然是热销品。"抖音快手私信名片链接跳转"是2022年抖音快手引流最新技术,可以生成卡片链接,支持标题、描述、logo以及跳转落地页的完全自定义配置.支持微信公众号和微信号复制唤起微信客户端app添加,同时也支持任意链接落地页跳转提高粉丝引流转化率,关注转化率,引流转化率,安全绿色私信卡片功能1、跳转微信用户点击卡片,自动跳转微信界面,显示好友和群聊二维码2、跳转链接用户点击卡片,自动跳转到指定链接,支持任意链接。3

m0_71385839的博客 5191

收藏!小白也能看懂:手把手教你从零构建AI智能体(附LangGraph实战)

智能体(Agent)是一个能够代表用户,以高度独立性完成任务(Workflow) 的系统。它能理解用户目标,自主选择行动路径,并利用外部工具执行任务。简单来说,它是“能帮你做事的AI”,而不仅仅是“能和你聊天的AI”。比如你告诉它“帮我分析最新销售数据,并生成周报”,它不会仅仅生成报告模板,而会:1.查询数据库 → 2. 分析关键指标 → 3. 生成图表 → 4. 写出总结报告 → 5. 邮件发送。这就是一个完整的Agent工作流闭环。智能体真正的价值来自它能“动手”。

qq_46094651的博客 909

CIMPro孪大师,支持 3DGS 高斯泼溅的一站式零代码数字孪生平台

高斯泼溅导入数字孪生开发引擎

2501_90821319的博客 1110

一步步教你LangGraph Studio:可视化调试基于LangGraph构建的AI智能体

之前我们在第一时间介绍过使用LangChain的LangGraph开发复杂的RAG或者Agent应用,随着版本的迭代,LangGraph已经成为可以独立于LangChain核心,用于开发多步骤、面向复杂任务、支持循环的AI智能体的强大框架。近期LangGraph推出了一个使得复杂AI智能体开发更加高效的工具:LangGraph Studio,一个为可视化测试与调试基于LangGraph构建的AI智能体而设计的集成环境。本文将带领大家初步探索这个新的工具。1. 回顾LangGraph并创建测试智能体LangG

m0_63171455的博客 1万+

从零到一:基于K375S主控的机械键盘优联无线化改造实战

本文详细记录了基于罗技K375S主控进行机械键盘优联无线化改造的全过程。从改造动机、核心原理与物料准备,到电路设计、PCB打样、焊接调试,逐步拆解了将优联技术集成到自定义机械键盘中的实战步骤。项目最终实现了低延迟、高稳定性且支持多设备连接的优联无线机械键盘,为DIY爱好者提供了高性价比的改造方案。

h0i1j2k3l的博客 603

Cadence HDL原理图库避坑指南:从Excel导入引脚到解决‘V- V+’报错(附FPGA实例)

本文详细介绍了Cadence HDL原理图库的高效构建与排错方法,重点讲解如何从Excel智能导入引脚数据并优化FPGA封装设计。通过数据预处理、智能导入和深度排错三个关键阶段,帮助工程师避免常见错误如‘V- V+’报错,提升设计效率和准确性。

weixin_28739079的博客 238

LangGraph 实战:从零构建多智能体 AI 系统,掌握智能协作完整指南

试想这样的场景:初级开发者仅需4小时,就能靠LangGraph多智能体框架搭建出兼具事实核查、摘要生成、情感分析与多数据源交叉引用能力的AI研究助手——而6个月前,这类功能需高级工程师团队耗时数周开发,如今已从“不可能”变为“触手可及”。传统AI应用依赖单一模型包揽所有任务,如同让一人同时扮演研究员、作家、事实核查员与编辑,看似全能却难在各领域发挥最佳水平;多智能体系统则拆解复杂任务,分配给专攻特定领域的AI智能体,再通过精准协同汇聚成整体方案,实现“1+1>2”的效果。 本文将以“构建AI研究助手”

优快云_430422的博客 1882

100天精通Python(爬虫篇)——第114天:爬虫基础模块之requests基础入门

一、request模块大总结 1. 下载安装 2. 常用属性或方法 3. response.text和response.content的区别: 4. 发送带headers参数请求 5. 发送带参数请求 6. 在headers参数中携带cookie 7. 超时参数timeout的使用 8. proxies代理参数的使用 9. 发送post请求...............

努力让自己发光,对的人才能迎着光而来 11万+

【收藏必看】从零构建Agentic AI:单智能体与多智能体系统的LangGraph实战

保证100%免费。

EnjoyEDU的博客 1795

【Linux命令大全】006.网络通讯之netstat命令(实操篇)

本文详细介绍了Linux系统中netstat网络诊断命令的实用技巧。主要内容包括:1) 基本功能与参数详解,展示如何查看网络连接、路由表和接口统计;2) 安装方法及基础用法,如查看TCP/UDP连接、显示进程信息和路由表;3) 高级应用技巧,包括监听端口检查、连接状态统计和实时监控。文章通过表格和代码示例,系统性地呈现了netstat在系统管理中的核心应用场景,是网络故障排查和性能监控的实用指南。

yuhuasheng1997的博客 710

KoboldCpp vs Ollama vs llama.cpp 全面对比(2026工程视角)

本文对比分析了KoboldCpp、Ollama和llama.cpp三大本地AI推理工具的核心差异。llama.cpp作为基础引擎性能最强但上手困难;KoboldCpp在其基础上增加了UI界面,适合娱乐创作;Ollama则提供最简化的模型管理和API服务。性能实测显示:llama.cpp>KoboldCpp>Ollama。选型建议:新手用Ollama快速入门,玩家选KoboldCpp获得交互体验,工程师用llama.cpp追求极致性能。三者定位清晰:性能极限、使用体验和开发效率各有所长。

刘一说的IT专栏 920

【建议收藏】从 0 到 1 构建 AI Agent:基于 LangGraph 的全流程实战指南(附代码)

LangGraph 最核心的设计理念就是将智能体流程图形化建模。

2401_85325726的博客 1754

相机标定(六)—— 张正友标定法

相机标定一、相机标定的目的1. 相机的成像过程2. 相机标定的目的3. 畸变与畸变矫正二、张正友标定法简介三、标定相机内外参1. 求解内参和外参的积2. 求解内参矩阵3. 求解外参矩阵四、标定相机的畸变参数五、L-M算法参数优化六、相机标定的步骤七、源代码 一、相机标定的目的 1. 相机的成像过程 2. 相机标定的目的 3. 畸变与畸变矫正 二、张正友标定法简介 三、标定相机内外参 1. 求解内参和外参的积 2. 求解内参矩阵 3. 求解外参矩阵 四、标定相机的畸变参数 五、L-M算法参数优化 六、相机

weixin_41480034的博客 1万+

LangGraph实战教程:构建会思考、能记忆、可人工干预的多智能体AI系统

在本文中,我们将使用监督者方法构建一个多智能体系统。在此过程中,我们将介绍基础知识、在创建复杂的 AI 智能体架构时可能面临的挑战,以及如何评估和改进它们。

deephub 5659

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

LangGraph智能体开发指南:从零构建企业级AI Agent

本实验采用纯Python基础语法结合外部API调用,在不依赖任何框架的情况下实现了一个基础版智能体系统。通过列表结构维护对话上下文、正则表达式解析动作指令、循环机制控制执行流程等技术手段,我们成功构建了"思考→行动→观察→应答"的核心逻辑闭环。这一实践虽然有效揭示了智能体的底层运行原理,但同时也凸显了原生开发的典型痛点:流程控制复杂度高、状态维护困难、模块化程度不足以及可视化支持缺失等问题。

m0_59162559的博客 1147

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

AI大模型开发实战:基于LangGraph、Ollama构建本地AI智能体

LangGraph 是一个强大的库,用于使用大型语言模型(LLM)构建有状态、多参与者应用程序。它有助于创建涉及单个或多个智能体的复杂工作流程,提供循环、可控性和持久性等关键优势。优势:循环和分支:与使用简单有向无环图(DAG)的其他框架不同,LangGraph 支持循环和条件语句,这对于创建复杂的智能体行为至关重要。细粒度控制:作为一个低级框架,LangGraph 提供了对应用程序流程和状态的详细控制,使其成为开发可靠智能体的理想选择。

2401_85327249的博客 1911

LangChain+LangGraph+LangSmith实战教程:从零构建、部署到评估智能体AI系统,一篇全掌握!

LangSmith是LangChain推出的一个监控和评估平台。它不依赖于特定框架,旨在与任何智能体框架(例如LangGraph)甚至完全从头构建的智能体配合使用。可以轻松配置LangSmith来跟踪 (trace)运行过程,并追踪智能体系统的开支。它还支持对系统进行实验 (experiments),例如更改系统中的提示词 (prompt) 和模型,并比较结果。它具有预定义的评估器,如有用性 (helpfulness)正确性 (correctness)和幻觉 (hallucinations)。

bagell的博客 1289
上一篇: AI客服实战:从0到1打造高效智能客服系统(收藏版)
下一篇: 掌握提示词缓存:大幅降低大模型使用成本,小白程序员必看!
冻感糕人~
博客等级 码龄3年 8926粉丝 2398原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值