- 博客(5)
- 收藏
- 关注
RSS订阅原创 Agent学习笔记（三）——工具调用篇之MCP
MCP是Anthropic开源的AI通信协议，通过标准化接口让LLM调用外部工具和数据源，实现模型与工具的解耦。相比Function Calling，MCP支持动态工具发现、丰富上下文（资源/提示词）和统一协议。架构分为Host、Client、Server三层，基于JSON-RPC交互。实战中，用FastMCP几行代码即可暴露天气查询工具，配置到Cline后LLM自动按需调用。Client负责将模型输出的XML指令转换为标准协议，完成工具调用与结果回传。MCP显著降低了集成成本，提升了生态扩展性。
2026-06-05 09:31:50
869
原创 Agent学习笔记（二）——工具调用篇之Function Calling
Function Calling（函数调用）是大语言模型与外部工具交互的核心协议机制，使Agent能够突破纯文本限制，实现现实世界操作。本文系统介绍了Function Calling的基础定义、解决的五大关键问题（知识时效性、能力边界、系统对接、指令标准化、多步骤任务），详细解析了其核心原理（LLM、Function Schema、Function/Tool、Executor四要素）和工作流程。通过单轮工具调用和多轮ReAct实战示例，展示了从工具定义到模型调用的完整实现过程。
2026-06-01 15:49:13
768
原创 Agent学习笔记（一）——总体概览
AI Agent核心概念与范式解析 本文系统阐述了AI Agent的基础理论与实现范式。Agent作为智能系统，通过整合大模型（LLM）、规划、记忆和工具调用能力，实现了从被动问答到主动处理复杂任务的跨越。其本质公式为：Agent = LLM + Planning + Memory + Tools。 与固定流程的Workflow不同，Agent具备自主决策和动态调整能力。文章重点对比了两大基础范式： ReAct范式：采用"思考-行动-观察"的单步循环，适合简单动态任务，灵活性高但缺乏全局视野； Plan-a
2026-05-29 13:05:50
544
原创 RAG学习笔记【1】
RAG（检索增强生成）技术是为大模型配备实时知识库和搜索引擎的创新方法。本文系统梳理了RAG的核心流程和关键技术模块：1）query模块通过意图识别和查询优化提升检索准确性；2）离线解析模块处理多格式文档并优化chunk切分策略；3）检索召回模块采用混合检索（BM25+向量）和结果重排技术；4）生成模块通过prompt设计和多轮对话处理确保回答质量。RAG技术有效解决了大模型的知识幻觉、信息过时和私有数据盲区三大痛点，通过"开卷考试"机制显著提升回答的准确性和可靠性。文章详细分析了各模块
2026-05-05 16:03:20
576
原创 Conda卸载重装及虚拟环境创建
本文详细介绍了从Anaconda替换为Miniconda的完整步骤，包括卸载残留清理、Miniconda安装配置、环境变量设置等关键操作。重点讲解了如何通过libmamba引擎加速环境安装、配置国内镜像源以提高下载速度，以及使用environment.yml文件创建环境的流程。同时整理了常用conda命令，涵盖环境管理、包安装、环境导入导出等实用功能，为Python开发环境搭建提供了完整参考方案。
2026-03-17 22:55:37
726
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人