- 博客(2433)
- 资源 (88)
- 收藏
- 关注
RSS订阅原创 我把「每天早上导四个 Excel」这件事，交给了一套开源数据中台
项目：数智云（shuzhiyun）｜地址： ｜协议：MIT 技术栈：Spring Boot 2.3 + Spring Cloud Hoxton.SR9 + Gateway + OAuth 2.0 + Flowable + Quartz上线三周，运营部那三个人不用再导 Excel 了。但这个项目真正的价值不在这儿。当有人问“这个数怎么来的”，你能答上来了。
2026-10-26 13:32:33
349
原创 一个奶茶店排队仿真的完整实录：WorkBuddy 负责「听懂人话」，状态机负责「别撒谎」。
说句实在话，这件事里最难的部分不是代码，也不是数学。最难的是忍住不问 AI「大概是多少」。WorkBuddy 在这件事里的价值，是把我从「不会写 SimPy」变成「半小时后有个能跑的东西」。它写得比我快，改得比我快，解释得也比我清楚。但它不知道我们店中午几点最挤，不知道顾客等 15 分钟会走人，更不知道老板其实只有八千块预算。那些东西得你自己填进去。填完了，跑出来的数字才是你的。跑完之后我把结论发给了老板。他看完沉默了一会儿，说：「那就先加个做茶的。昨天新制作台到了，还在装。
2026-10-24 12:22:37
158
原创 删掉 EXIF 也藏不住：一张照片的拍摄点，是怎么被算到 2 米的
人在做地理推理的时候，最容易犯的错就是拿「知名度」当证据——「这么有名的景点，网上照片肯定多，所以应该在这儿」。二十多个脚本，每个只干一件小事：读 EXIF 的、跑 OCR 的、查 Overpass 的、渲染天际线的、算相机位姿的。geo-sleuth 走的是完全相反的路：它不指望模型一眼看出来，而是把「定位」拆成一串可以执行的检查动作，每一步都产出文件，每个结论都能顺着文件倒查回去。的项目，作者 Oldcircle，MIT 协议，三千多 star（数字一直在涨，你自己去看）。不是稻田，稻田全国都有。
2026-10-23 11:54:10
132
原创 Blender + Three.js 开发讲解：从 .blend 到能转的产品页
还有一种是反过来的：前端同学为了省事，把整个场景的灯光、相机、甚至动画都烘进 Blender，导出成一段固定视角的序列帧。三个按钮还行，到第十个的时候，改一个颜色要动七八处代码，而且状态永远对不上——UI 显示的是红色，模型还是蓝色。建模的时候随手在场景里一放，原点可能在模型脚底，也可能在离模型两百米远的某个角落。很多人对分工的理解是模糊的，觉得 Blender 是"建模软件"，Three.js 是"3D 库"，剩下的靠感觉。反过来，前端每多写一行"猜测模型意图"的逻辑，都是在给未来的自己挖坑。
2026-10-22 14:23:41
397
原创 别让 AI 画框图了，让它给你造一台机器
期望会漂。你今天说「专业」，明天说「有深度」，模型每次理解都不一样。结构不会漂，因为结构是可以跑一遍看结果的。
2026-10-21 17:28:43
241
原创 我把「限流器」画成了一台会动的机器：Anatomy 开源项目拆解
你必须先知道桶容量是多少、令牌怎么补、满了之后新请求去哪，才能造出这台机器。造不出来，说明你还没想明白。这个约束很讨厌，但正是这个约束，让最后那张图有了信息量。我那个同事后来没再问第二个问题。他直接去拖阀门了，拖到水位见底，看着新请求排起队，自己嘟囔了一句「哦，原来满了是这样」。那一刻我觉得，这五分钟等得值。项目地址：。
2026-10-20 19:30:08
157
原创 我让 Codex 去指挥 Blender：一个人三天干完美术组两周的活
团队协作的时候这个参数几乎是必须的——每个人的 Blender 设置都不一样，你不加它，本地跑得好好的脚本，换台机器或者上 CI 就炸，而且报错信息往往驴唇不对马嘴。我以前也写过 bpy 脚本，写是能写，但改起来很痛苦：改一个参数，跑一遍，等渲染，看结果，发现不对，再改。不 apply 的话，倒角修改器吃到的宽度会被非均匀缩放拉伸，横向的边和纵向的边倒角宽度不一样，出来是歪的。：重复出现的、有明确规格的、靠数字描述的东西。以前做一个木箱，你要建方块、倒角、上材质、打灯、渲图、导出，六步，重复六十次。
2026-10-19 08:57:46
323
原创 别再跟 AI 说“帮我画个手绘风“了：331 个风格编号，把出图这件事彻底变成了填空题
这是个很容易踩的坑。同一句主题，在两个模式下出来的东西完全不同。纯图模式纯图模式，FB-006 (041)号风格，主题：秋天的第一杯奶茶图文模式图文模式，FE-052 (267)号风格，主题：有很多事你当时想不通，别着急，过段时间你可能就忘了。看出区别了吗？第一句你要的是一杯奶茶的画面，第二句你要的是这句话本身出现在图上。随时说"切换为纯图模式"或"切换为图文模式"就行。选错模式的后果很直接：想要金句卡结果出来一张没字的插画，想要氛围图结果画面里杵着一行字。每次开工前先想清楚——
2026-10-16 17:15:25
274
原创 让 AI 给你“造“一台机器：Anatomy 这套等距图技能，是怎么把抽象概念画成真家伙的
平常让 AI 帮你画张图解释个概念，路子一般就两条。第一条是让它吐 mermaid 或者 ASCII，好处是准，坏处是那玩意儿看着跟 2008 年的企业 PPT 一个味道；第二条是直接上文生图，好看是好看，但你让它画"令牌桶限流"，它能把令牌画成薯片，桶的容量是 100 还是 10 全靠缘分。Anatomy 走的是第三条路，而且这条路上目前我没见过第二个人走。它官方给自己的定义是这么一句话：An agent skill for creating detailed, interactive isometric
2026-10-15 16:40:05
396
原创 LangGraph 写完了怎么对外提供服务？我用 FastAPI 把它包成了一套能上线的接口
先说个特别真实的情况。LangGraph 的图在本地跑通那一刻，人是有点飘的——终端里 Agent 一步一步往下走，自动重试、暂停等人审批、断点还能接着跑，感觉这玩意儿明天就能上线。然后你兴冲冲地把它丢进 FastAPI，写了第一个 /chat 接口，用 同步调用。本地 curl 一下，通了。上线之后，第二个用户进来的请求直接卡死十几秒；想看 Agent 中间过程，只能干等它全部跑完才返回；服务一重启，正在跑的工单全部消失。我第一次就是这么翻车的。
2026-10-14 17:27:52
377
原创 GroundAnything：一个 4B 的“指哪打哪“模型，凭什么敢说比 GPT 级大模型还能打？
物体在哪、是什么、跟别的东西什么关系，这些是图本身和你的问题一起约束出来的，不是靠上文推出来的。既然是约束满足问题，那就该并行求解。
2026-10-13 21:14:21
222
原创 我把 LangGraph 从入门到上线全撸了一遍，这篇是完整知识点总结
messages: Annotated[list, add_messages] # 追加，保留历史amount: float # 退款金额retry_count: int # 重写次数approved: bool # 人工审批结果。
2026-10-12 16:13:37
320
原创 一场活动复盘，AI 帮我从 500 行数据里挖出了真正的增长点
数据里还有一列我一直没管：，流失用户临走前填的一句话。有效留言 203 条，长短不一：「第三天听不懂了，跟不上」「晚上临时加班，落了两节就放弃了」「内容还行但跟我做电商的没啥关系」「学会 pivot 表就够了，后面的用不上」SYSTEM = """你是运营数据标注员。请把用户留言归入且仅归入以下一个标签：课程难度过高 / 时间冲突 / 缺乏提醒 / 内容不相关 / 目标已达成 / 其他严格返回 JSON：{"tag": "标签", "reason": "不超过15字的依据"}"""
2026-10-10 19:06:33
173
原创 给非技术同事科普 AI 的正确姿势：我用真实案例讲明白了
去年年底公司搞了个"AI 提效月"，行政的小姑娘在群里问了一嘴：有没有什么 AI 工具，能帮我把每周的会议室预约表整理一下？我当时特别热心，转手丢了个链接过去，还补了一句："你把表直接贴进去，让它帮你汇总就行。半小时后她私信我：哥，它给的答案不对啊，我把表贴进去了，它回我一句"请您提供需要汇总的数据"。我过去一看，差点笑出声。她贴的是一张。这事儿对我刺激挺大。我后来复盘，问题压根不在她身上，在我。
2026-10-09 15:47:24
217
原创 一个开发者的 AI 实战：用最少的提示词解决最头疼的报错
上周五下午五点半，我鼠标都摸到关机键了，群里弹出一句："预发环境起不来，你快看一眼。干这行的都懂那种感觉。不是怕问题难，是怕那种"日志里明明写了原因，但你读完三遍还是不知道它在说啥"的问题。我打开日志，看到这么一坨东西——第一行说的是 。我当时就顺着 去翻，翻了半天。。也就是说，一个网络问题，被 Spring 套了四层壳之后，伪装成了一个"依赖注入失败"的问题。你要是不把堆栈拉到最后一行，你在前三行里能绕一整个下午。
2026-10-08 18:40:31
285
原创 三十、生态未来与进阶路线：LangChain 之后学什么（完结）
写到这里，其实有点舍不得。从第 1 篇"什么是 LangChain"，到第 29 篇"企业级文档问答系统"——30 篇，7 个模块，一条完整的路。这篇不是结束，是开始。每隔几个月就有新模型发布新框架不断涌现（Deep Agents 才刚刚起步）新协议还在制定（MCP 和 A2A 仍在演进）新最佳实践持续刷新在这样的时代，最重要的不是"记住某个 API 怎么调"，而是——建立系统思维和学习能力。回顾这 30 篇我们学到了什么看懂——下一代 Agent 框架理解A2A 协议。
2026-09-30 08:30:00
45
原创 二十九、企业级文档问答系统：从零构建一个完整的生产级项目
本文从零构建企业级文档问答系统，涵盖多格式文档支持、混合检索、准确回答、引用溯源、安全脱敏与质量监控六大核心需求。系统基于LangChain生态，采用模块化架构：文档处理、混合检索（向量+BM25+RRF）、LangGraph编排Agent、安全中间件、FastAPI服务与LangSmith监控。全流程实现生产级部署，强调准确性、可验证性与可维护性，完整串联前28篇知识，打造真实可用的智能问答解决方案。
2026-09-29 21:30:00
158
原创 二十八、从 Demo 到上线：部署实战与 CI/CD 集成
本文从Demo到上线的五大鸿沟切入，系统阐述生产部署的核心挑战：可靠性、安全性、可扩展性、可观测性与可维护性。通过五层架构设计（前端、网关、应用、模型、存储）实现高可用服务，并结合Docker容器化与CI/CD流水线，确保环境一致、自动测试与一键部署。最终实现从“能跑”到“能用、好用、稳用”的跨越。
2026-09-29 08:30:00
253
原创 二十七、LangSmith 评估体系：让你的 Agent 上线前“过一遍体检“
LangSmith评估体系通过Dataset、Evaluator与Comparison三大组件，实现Agent上线前的可重复、可量化质量检验。告别“感觉不错”的主观判断，以真实用户数据为基础，结合精确匹配、语义相似度等评估器，支持版本对比与CI/CD集成，全面覆盖测试场景，确保系统稳定可靠，真正让“数据说话”成为上线标准。
2026-09-28 19:45:00
101
原创 二十六、多智能体协作：Supervisor 模式实战
给客户写一份行业研究报告。如果只有你一个人干，你会怎么安排？先花 3 天查资料、读报告、整理数据；再花 2 天搭结构、写初稿；最后花 1 天通读检查、修正错误。听起来还行？但问题在于——你必须同时是一个好的研究员、一个好的写作者、一个好的审核员。而现实是，很少有人三个角色都顶尖。组队。找一个人专门查资料（研究员），找一个人专门写文章（撰稿人），再找一个人专门挑毛病（审核员）。三个人各干各的，最后由你（项目经理）负责拆活、派活、收活、拍板。
2026-09-28 08:30:00
50
原创 二十五、流式输出与实时交互：打造丝滑的用户体验
本文深入解析流式输出在LLM应用中的核心价值：提升感知速度、增强交互体验、透明化处理过程，并实现长文本的早期可读性。基于SSE技术原理，详解三种流式粒度（Token、步骤、事件级）的适用场景与选型策略。结合前端四大实践——使用fetch+ReadableStream、光标动画、智能滚动控制等，系统性解决流式输出落地中的关键问题，助力打造“丝滑”的实时交互体验。
2026-09-27 20:30:00
147
原创 二十四、LangServe 部署上线：10 行代码把 Chain 变成 API
LangServe 仅需10行代码，即可将LangChain Chain一键部署为完整API，支持同步、批量、流式（SSE）调用，内置Playground调试界面与自动OpenAPI文档，原生实现Agent思考过程可视化。通过add_routes快速挂载，无需编写样板代码，显著降低部署门槛，让RAG/Agent系统轻松接入前端应用。
2026-09-27 08:30:00
28
原创 二十三、LangSmith 生产级评估与监控
本文以真实故障案例切入，阐述生产级LLM应用监控的必要性。通过LangSmith平台的链路追踪、数据集管理、评估测试与调试分析四大功能，实现从“黑盒”到“白盒”的转变。提出质量、性能、成本、健康四大监控维度，结合静态阈值、趋势异常、质量下降等告警策略，构建主动发现、精准定位、持续优化的可观测体系，确保LLM系统在真实场景中稳定、高效、可控运行。
2026-09-26 20:30:00
35
原创 二十二、多智能体协作：Supervisor 模式实战
本文详解多智能体协作中的Supervisor模式，通过“调研-写作-审校”分工实现复杂任务高效处理。相比单个Agent的“精神分裂”，多智能体以专业化、并行化、交叉验证提升可靠性与效率。核心为Supervisor中枢调度，各Worker专注单一职责，通过结构化路由决策（如next: "researcher"）实现流程可控。对比Pipeline与Peer-to-Peer模式，推荐90%场景采用Supervisor，兼具可扩展性与易调试性。结合LangGraph实现，代码清晰，适合生产级应用。
2026-09-26 08:30:00
36
原创 邀请码抢不到？没关系，这个 5.8 万 Star 的开源项目把“Manus“搬回了家
回头看，OpenManus 最大的价值可能不是"免费版 Manus"这个身份，而是它把 2025 年最火的产品命题拆成了几千行人人可读的 Python：原来一个通用 Agent 的核心，就是规划加工具调用，没有魔法。对普通开发者，它是入局 Agent 时代最好的实操教材——跑通它、读懂它，你对 Agent 的理解就从"看热闹"升级到"看门道"了。对二次开发者，它是一块干净的地基，往上盖自己的 Agent 应用，比从零搭快得多。
2026-09-25 23:26:18
426
原创 二十一、RAG Agent：让检索从「流水线」变成「智能体」
RAG Agent 将检索从固定流水线升级为可自主决策的智能体，解决传统 RAG 的过度检索、检索不足与多跳推理失效三大痛点。通过“检索工具化”“自主决策”“迭代检索”与“反思修正”四大核心思想，实现“该检索时才检索”。推荐入门模式为 Tool-based RAG，进阶可选 Self-RAG、Adaptive RAG 等，显著提升问答准确性与灵活性。
2026-09-25 20:30:00
132
原创 二十、Checkpoint 与持久化：让 Agent 不再“一次性“
本文详解 LangGraph 中的 Checkpoint 机制，解决 Agent 一次性执行、状态丢失的问题。通过状态快照、线程 ID 分隔、持久化存储与自动合并，实现多轮对话记忆、断点续跑、人工介入与时间旅行调试四大生产级需求。仅需三步配置（创建存储、传入 checkpointer），即可让 Agent 具备“记忆”能力，大幅提升可靠性与可维护性，是构建健壮智能体的核心基础。
2026-09-25 08:30:00
116
原创 让 AI 亲自上网干活：browser-use 开源项目实战拆解与踩坑
回过头看，browser-use 火起来不是偶然。它踩中了两个趋势的交汇点：一是大模型的理解能力终于强到能可靠地"看懂"网页了；二是企业里大量脏活累活恰恰都困在浏览器里——各种没有 API 的后台、各种要人肉搬运的数据。未来两三年，"让 AI 替你上网干活"会像 Excel 宏一样成为职场标配技能。你现在花一个下午把 browser-use 玩明白，可能就省下后面几年里几百个小时的重复劳动。动手吧，从让它帮你查个天气开始。browser-use 官方仓库：browser-use 官方文档：。
2026-09-24 21:40:09
385
原创 十九、LangGraph 入门：从“链“到“图“的思维转变
本文介绍LangGraph如何实现从线性Chain到非线性图编排的思维跃迁。针对LCEL在循环、分支、状态管理与调试上的四大局限，LangGraph通过节点（Node）、边（Edge）和状态（State）三大核心概念，构建可循环、可分支、可持久化的Agent工作流。文章以文本分类为例，演示四步开发流程：定义状态、编写节点、配置边、构建图，揭示其作为LangChain生态中Agent标准架构的底层逻辑，推动开发者完成从“链”到“图”的范式升级。
2026-09-24 21:30:00
153
原创 十八、RAG 效果评估：怎么知道你的知识库好不好用
本文系统阐述RAG效果评估的核心方法，强调“数据驱动”取代“感觉判断”的必要性。通过构建包含命中率（Hit Rate）、MRR、忠实度（Faithfulness）与相关性（Answer Relevance）的双维度评估体系，实现对检索与生成环节的精准定位。结合人工标注、LLM生成、日志抽样与分类构建四类评测集构建策略，确保评估真实可信。最终形成“评估→定位→优化→再评估”的闭环，推动RAG从Demo走向生产落地。
2026-09-24 08:30:00
374
原创 一个周末上线企业知识库问答：Dify 开源平台实战与踩坑全记录
先说个扎心的事实：很多团队的大模型应用死在了"胶水代码"上。模型是好的、RAG 思路是对的，但前端对接、后端编排、知识库管理、日志追踪……这些活儿堆起来，一个需求两周起步。后来我们把这套东西搬到了 Dify 上，同样的功能，两天搞定。这篇就聊聊我们用 Dify 落地的完整过程，包括那些官方文档不会告诉你的坑。
2026-09-23 23:24:47
345
原创 十七、拒答机制与引用来源：让 RAG 不再“胡说八道“
本文聚焦RAG系统中的“拒答机制”与“引用来源”，解决大模型幻觉问题。通过四种资料不足检测方法（相似度阈值、LLM自判断、忠实度检测、多信号融合）和三种拒答策略（前置拦截、生成时拒答、事后校验），实现“宁可说不知道，也不给错误答案”的可信原则。结合分层降级机制，平衡安全性与可用性，让RAG真正成为企业级可靠工具。
2026-09-23 21:30:00
112
原创 十六、检索策略与重排序：让 RAG 从“能查“变“查得准“
先说个很多人踩过的坑。有个同学做了个技术文档问答系统，用的是最标准的流程：切块 → 向量化 → Chroma → 相似度检索 Top 3 → 丢给 LLM。自己测了几个问题，效果"感觉还行"，就上线了。用户问"LangChain 0.3 版本有什么新特性？" → 系统返回的是 0.2 版本的文档内容用户问"LCEL怎么写" → 返回了一大段讲 Chain 的内容，没提 LCEL用户问"ChatOpenAI这个类怎么用" → 返回的文档里根本没出现过这个词。
2026-09-23 08:15:00
141
原创 十五、文本分割与向量化：RAG 质量的关键一步
文本分割与向量化是RAG系统的核心环节，直接影响检索准确率。过大的块会引入无关内容，导致向量“平均化”；过小的块则破坏语义完整性。推荐使用递归字符分割器，按段落、句子等语义边界切分，并合理设置chunk_size与chunk_overlap。针对不同文档类型（如Markdown、代码），可选用结构感知分割器。最终需结合文档特征与业务场景，在完整性和精准性间找到平衡点，实现从40分到85分的效果跃升。
2026-09-22 22:30:00
55
原创 十四、RAG 入门与文档加载：给你的大模型装一个“外挂知识库“
本文详解RAG（检索增强生成）的核心思想与实践流程，指出大模型因知识滞后、隐私泄露和幻觉问题难以胜任企业级应用。通过“外挂知识库”机制，RAG实现知识实时更新、数据私有可控与答案可溯源。文章系统讲解RAG五步流程：文档加载、文本分割、向量化、检索与生成，并重点介绍文档加载器的四大核心用法——PyPDFLoader、DirectoryLoader、TextLoader与WebBaseLoader，强调统一Document对象与丰富元数据对构建高效知识库的重要性，为搭建企业级智能问答系统奠定基础。
2026-09-22 08:30:00
99
原创 179K Star 的 n8n：我把运维值班的活儿自动化了一半，顺便踩了几个坑
先说说我为什么要用这类工具。运维的日常里有一大堆"胶水活儿"：监控告警要转发到企微、工单要同步到表格、发布完要通知测试、备份完了要检查结果……这些事单看每件都不难，但架不住多、碎、天天有。阶段一：shell 脚本 + crontab。能跑，但脚本一多就成了屎山，谁也不敢动，改一行崩一片。阶段二：Python + 消息队列。灵活了，但开发成本上去了，而且同事接手成本高——不是谁都想读你的代码。阶段三：n8n。工作流可视化，每个节点干嘛一目了然，出问题了看一眼执行日志就知道卡在哪一步。
2026-09-21 22:12:40
103
原创 十三、多智能体协作模式：当一个 Agent 不够用时
当单个Agent无法胜任复杂任务时，多智能体协作成为突破能力边界的关键。通过“分而治之”思想，将任务拆解为研究、写作、编辑等专业化子任务，采用层次监督（Supervisor）模式实现高效协同。该架构结构清晰、可控性强，适用于内容创作、研究分析、智能客服等场景，显著提升任务完成质量与系统可扩展性。
2026-09-21 22:00:00
451
原创 十二、Agent 中间件与高级配置：解锁 Agent 的全部潜力
本文详解 Agent 生产化核心——中间件机制。针对权限控制、审计日志、错误重试等八大横切关注点，提出基于“洋葱模型”的中间件架构：通过前置/后置逻辑实现关注点分离，支持可复用、可组合的模块化设计。重点解析日志、权限、重试、限流等八类中间件的应用场景与实现原理，强调其在保障安全性、可靠性与可观测性中的关键作用，助力 Agent 从 Demo 跑通迈向生产可用。
2026-09-21 07:45:00
172
原创 十一、create_agent：5 行代码构建你的第一个 Agent
篇目学的"零件"4模型调用5提示词模板6工具系统7结构化输出8LCEL 管道9记忆机制10可观测性这些都是零件。第 11 篇开始，我们组装成"智能体"。只需要 5 行代码。一行搞定。框架自动帮你组装好 ReAct 循环、工具绑定、消息管理等所有东西。system_prompt="你是一个专业的天气助手，回答简洁友好，使用中文。同一个模型 + 同一批工具，不同 Prompt 会得到完全不同的 Agent。Prompt 风格Agent 表现“你是专业的气象分析师”
2026-09-20 22:45:00
40
redis desktop manager
2018-03-30
Docker for Windows Installer 版本
2017-11-23
JavaScriptchm.zip
2019-05-16
metronic v5.0.3 +文档+angular组件
2017-11-22
Quartz Job Scheduling Framework 中文版 V0.9.5.zip
2019-05-16
Sentinel-2 卫星拍摄的水体图像集
2023-10-25
预测模型：从基础概念到实际应用
2023-10-20
Python基础网络爬虫示例
2023-10-20
人工智能：领域概述与应用
2023-10-20
基于Python语言和SQLite数据库的员工管理系统
2023-10-20
CIFAR-100是一个常用于图像识别的数据集
2023-10-20
计算机课程设计的综合项目实践
2023-10-20
VUE面试大全问题深入解答级示例题目
2023-10-20
绘制玫瑰花的C语言程序
2023-10-20
寻找水仙花数python
2023-10-20
Java中与Kafka进行交互
2023-10-20
Java面试常见问题从基础到进阶
2023-10-20
MySQL面试题：从基础到进阶全面解析
2023-10-20
环保组织网站的设计与实现
2023-10-20
RDF tnavigatorpjb RDF tnavigatorpjb RDF tnavigatorpjb RDF tnavig
2023-03-03
Centos8.5yum源
2023-02-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人