跟着Anthropic学用Agent实现完整项目

AI Agent开发实战:从核心原理到电商客服系统完整项目 AI Agent作为能够自主规划任务、使用工具并具备学习能力的智能系统,与传统AI模型有着本质区别。其核心原理基于感知、规划、工具调用、记忆和学习五大模块的协同工作,通过大语言模型驱动实现复杂业务流程的自动化。在技术价值层面,AI Agent能够显著提升业务处理效率,降低人工干预成本,特别适用于客服、咨询、流程自动化等应用场景。以电商客服为例,Agent系统可以智能处理产品推荐、订单查询、退货指导等多样化需求,通过多Agent协作架构实现专业化分工。本文基于LangChain、crewAI等主流框架,结合工 阅读详情

目录

Agent实现完整项目的整个流程

Step 1:为Agent建立规则(Rules)

举个例子

Step 2:为Agent提供项目上下文(Context)

两种情况

情况一

情况二

Step 3:与Agent进行需求对齐(Requirement Alignment)

Step 4:让Agent设计执行计划(Plan Before Code)

Step 5:让Agent自行验证(Validation)

Step 6:持续迭代(Review)

总结


很多人第一次使用Claude Code或任何一种Agent写一个项目或修改项目时,流程通常是:

用户:
帮我做一个城市信息网站/帮我把该项目换成企业级项目框架。

Agent:
开始规划目录...
生成代码...
安装依赖...
创建组件...

几个小时后:

  • 页面能运行,但是体验很差
  • 代码结构混乱
  • 修改一个功能影响其他模块
  • Agent不断重写之前的代码

最后发现:

Agent并不是不会写代码。

问题在于:

我们把一个复杂的软件工程问题,简单地变成了一句话Prompt。

Prompt 越短,后面踩坑的概率反而越大,因为你把原本"需求评审、技术评审"那套过滤机制跳过去了。

工程的复杂度无法通过简单的Prompt得到解决。

下面我将分享如何用好Agent实现完整项目。分享参考了Anthropic官方关于“Claude Code的最佳实践”和个人使用agent搭建项目的经验。

Agent实现完整项目的整个流程

Step 1:为Agent建立规则(Rules)

对Agent提前做好规则约束,即持久上下文信息,是提升会话效率的重点。

普通开发中,一个新成员加入项目,需要先了解:

  • 项目规范
  • 开发流程
  • 禁止事项

否则新人直接修改代码,很容易不懂规矩,破坏已有系统。

Agent其实也是一样。

每一次新的对话,本质上都像一个新的开发者加入项目。

以Claude Code为例,CLAUDE.md是一个特殊的项目规则文件。Claude Code会自动加载其中内容,并将其作为后续开发过程中的行为约束。其中包含 Bash 命令、代码风格、工作流程规则、边界控制等。

如果使用其他Agent,也需要建立类似的“项目规则文件”,只是文件名称和加载方式可能不同。例如某些工具使用自己的rules机制,或者需要用户主动指定项目说明文件。

文件没有固定格式,但需要保持简洁。目前可参考已有的“6条规则”和“12条规则”的CLAUDE.md来写适合自己项目的规则。

举个例子

以下是github上的一个用于普遍项目构建任务的12条规则。包括规则、项目细节和核查清单。

# CLAUDE.md — 12 Rules


Drop this file in your project root. Claude Code / Codex / Cursor / Hermes all read it. Keep it short — past ~200 lines compliance drops sharply.
  

## Rules

1. **Think before coding.** State assumptions out loud. Surface tradeoffs. Push back when a simpler approach exists. No silent guesses.

2. **Simplicity first.** Minimum code that solves the stated problem. No speculative features. No abstractions for single-use code.

3. **Surgical changes.** Touch only what the task requires. Don't "improve" adjacent code, comments, or formatting. Match existing style.

4. **Goal-driven execution.** Define success criteria up front, then loop until verified. Prefer stating the goal over dictating steps.

5. **Don't make the model do non-language work.** Retries, routing, rate-limiting, arithmetic, time — write deterministic code, not prompts.

6. **Hard token budget.** Every loop gets a ceiling. If the same 8KB input has been re-chewed for 90 minutes, stop and step back.

7. **Surface conflicts, don't average them.** When two parts of the codebase disagree (two error patterns, two state stores), pick one visibly and explain why. Doing both doubles the bug surface.

8. **Read before you write.** Before adding code, read the nearby code. New functions that duplicate existing ones break silently through import order.

9. **Tests are gated by correctness, not "pass."** A passing test on a function returning a constant is not a passing test. Tie assertions to behavior, not shape.

10. **Long-running operations need checkpoints.** Multi-step refactors and migrations commit between steps so one bad turn doesn't require rewinding six.

11. **Convention beats novelty.** In a codebase with an established pattern, use that pattern even when yours is "better." Two patterns are always worse than either alone.

12. **Fail visibly, not silently.** A migration that "completed successfully" while skipping 14% of records on constraint violations is a bug, not a success. Surface partial failure, skipped rows, truncated output, retry exhaustion.

  

## Project specifics

  
<!--

Add repo-specific rules below. Keep it tight. Examples:


- Stack: TypeScript + Next.js 15 + Prisma + Postgres

- Test runner: `pnpm test` — uses Vitest, expects `--run` for CI

- Lint: `pnpm lint:fix` before every commit

- Never touch `migrations/` — those are managed by Prisma CLI

- Secrets live in `.env.local`, never log them

-->
  

## Verification checklist


Before returning a task as done:


- [ ] Did I state my assumptions explicitly?

- [ ] Did any change touch code outside the stated scope? If yes, revert or justify.

- [ ] Did any test pass without actually verifying behavior? Re-check assertions.

- [ ] Any partial failure, skipped record, truncated output? Surface it in the summary.

Step 2:为Agent提供项目上下文(Context)

在开始写代码之前,先让Agent充分理解项目,即建立项目上下文。

两种情况

情况一

从0开始的项目,你直接提出你的想法让它给出一个方案。这里提出的想法和目标的文字可以不追求什么格式,尽量说出你想要的结果是什么样的。
例如:

用户:我想做一个...(什么样的)购物的网站,请为我设计一个方案,先不写代码,与我对齐需求。

Agent就会给出类似这样的方案:

## 电商网站方案

### 1. 需求澄清

- 商品量级:初期约 500–1000 SKU
    
- 支付方式:微信支付、支付宝
...

### 2. 整体技术架构

- **前端**:Vue3 + Vite + Element Plus(响应式,适配手机/PC)
    
- **后端**:Node.js(NestJS)或 Java Spring Boot(你团队熟悉哪个选哪个)
    
- **数据库**:MySQL(商品、订单、用户),Redis(缓存、购物车、限流)
    
- **部署**:腾讯云 / 阿里云,用 Docker + Nginx,域名 + HTTPS
    
- **对象存储**:COS/OSS 存商品图片
    

### 3. 核心功能模块(MVP)

- 用户:注册登录(手机号+验证码)、收货地址管理
    
- 商品:分类、详情页、库存显示、图片预览
    
- 交易:购物车、下单、订单状态(待付款/已付款/发货/完成)、取消/退款申请
    
...
    

### 4. 非功能与安全

- 接口限流、防刷单、SQL 注入/XSS 防护
    
- 用户密码加密、敏感信息脱敏
    
...
    

### 5. 简要目录结构
...
情况二

在已有的项目基础上增加功能或者修改,这时需要提供关于原本项目的信息。以一个web项目为例,创建一个"PROJECT_CONTEXT.md"文件,内容有“项目介绍”、“技术栈”、“项目目录”、“系统架构”等,在agent给出方案前先阅读,让它足够了解已有的项目是什么样的。

"PROJECT_CONTEXT.md"文件例如:

# Carbon-Emission-WebGIS

# 项目介绍

本项目是一个面向城市信息的 WebGIS 平台。

目前实现:
- 用户认证功能
    - 用户名密码登录(默认账号admin/123456)
    - 登录状态持久化(LocalStorage存储Token)
    - 路由访问控制(未登录拦截非登录页)
    - 退出登录(清除Token并重定向至登录页)
- 地图可视化功能
    - 天地图底图加载(路网、卫星、混合三种模式)
    - 底图切换(支持切换到天地图)
    - 行政区划边界叠加与显隐控制
...

# 技术栈

前端

- Vue3
- OpenLayers
- ECharts

...


# 项目目录

src/

components/
│   UI 组件,负责页面展示,不直接处理业务逻辑。
...
├── utils/
│   通用工具函数。

# 系统架构
...

Step 3:与Agent进行需求对齐(Requirement Alignment)

调整agent给出的方案使其符合你的预期结果,即需求对齐(Requirement Alignment)。检查它给出的详细方案,补充或修改你想要的细节效果,给出完整的经过调整后让你满意的方案。

例如告诉Agent:
“我需要...,请你增加我的需求并再次生成方案”

Step 4:让Agent设计执行计划(Plan Before Code)

设计执行plan,对应的软件工程就是Sprint Planning,也是Anthropic官方强调的Small Increment。实现一个完整的项目,特别是结构复杂、逻辑严密的大型项目,让agent直接基于你的方案一次性构建也是不现实的,考虑到大模型有限的上下文、保证局部代码正常、确保执行编码方向没有偏离等,需要设计一个执行plan,
例如:

用户:给我一个该方案的实现流程和方式。先给实现计划,不写代码。

Agent就会提供一个实现阶段,例如:

## 实现阶段(推荐顺序)

Phase 1: 创建数据库建表 SQL + db.json 数据导入脚本

Phase 2: 创建 Spring Boot 项目骨架、Entity、Repository、DTO
    
...
    
Phase 7: Docker Compose 编排
    
Phase 8: 清理文档、标记 json-server 为废弃

随后按步骤执行开发。

Step 5:让Agent自行验证(Validation)

每完成一个任务,让Agent自行验证。在每执行完一个任务后,自行检查执行结果是否达到效果,给出验证标准(或告诉它你想要的验证标准),错误时找出根本原因。

Step 6:持续迭代(Review)

按步骤执行任务,根据验证结果调整方案,逐步完成整个项目,并通过 Git 等工具管理每个阶段的修改。

总结

Agent并不是一个输入需求、输出代码的自动化工具,而更像一个需要被管理的开发成员。

想让Agent稳定完成复杂项目,关键不是让它一次性生成更多代码,而是让它在正确的信息、规则和反馈机制下逐步完成任务。

一个可靠的Agent开发流程应该包括:

第一,建立项目规则(Rules)
通过CLAUDE.md或其他Agent支持的规则机制,明确代码规范、工作流程和修改边界,让Agent知道应该如何工作。

第二,提供或构建项目上下文(Context)
先让它分析需求、制定方案,或通过项目文档让Agent理解目标、技术栈、架构、目录结构和已有约束,减少它基于猜测进行开发。

第三,需求对齐(Requirement Alignment)
不要直接要求Agent写代码,而是先让它确认需求、调整方案。

第四,拆解任务,逐步实现(Plan Before Code)
将复杂项目拆分成多个可验证的小任务,避免一次性修改过多内容导致方向偏离。

第五,自行验证(Validation)
每完成一个阶段,都需要通过测试、Review和验收标准检查结果,让Agent根据反馈不断修正。

第六,持续迭代(Review)

最终,Agent开发的本质不是“让AI替代程序员写代码”,而是改变软件开发的协作方式:

人负责目标、判断和决策,Agent负责执行、探索和实现。

C#:WPF格式转Winform格式 WPF格式转Winform格式 阅读详情

相关推荐

深度解析:如何通过NodeRed实现私有485协议VRF中央空调与HomeAssistant的无缝对接

本文详细介绍了如何利用NodeRed的灵活流程化编程,破解并处理VRF中央空调的私有485协议,实现与HomeAssistant的无缝本地化集成。文章从协议分析、硬件准备到NodeRed核心流程搭建、数据映射及双向通信控制,提供了一套完整的实战方案,帮助用户将非标设备深度融入智能家居生态,摆脱对厂家云服务的依赖。

weixin_29173777的博客 408

2025 Agent之年:Anthropic万字文章披露如何构建高效的AI Agent系统

2025 年被许多人称为 “Agent 之年”,越来越多的企业和开发者开始投入到构建 AI Agent 的工作中。近日,Anthropic 公司发布了一篇重磅博客,详细探讨了如何构建高效的 Agent,并分享了他们在这一领域的最新研究成果。

bugyinyin的博客 1144

IBM System x3650 M5 IMM配置

1、IMM基本介绍 IMM,全称是Intel Mobile Module是IBM服务器上的集成管理模块,该模块是独立于服务器系统,可以通过一个单独的IP地址,使用Web和虚拟端口方式直接启动、停止和管理远程服务器,即使主板、处理器或者内存故障导致主机无法启动,也依然可以远程管理服务器,可以远程直接操作启动画面和服务器工作界面。 2、IP地址配置 2.1 通过Web方式修改IP地址 IBM服...

血饮渊虹的博客 4万+

Anthropic分享:使用MCP构建Agent

由于 Agent 的火爆,Anthropic 提出的 MCP (Model Context Protocol,模型上下文协议) 也跟着火爆起来,关于 MCP 的资料很多,这一篇是 MCP servers 的作者 Mahesh Murag 今年 2 月底在 AI Engineer Summit 上的分享,内容丰富又硬核,推荐,唯一美中不足的是里面的观众提问有点多,视频整体节奏没那么好。分享主题:MCP (Model Context Protocol) 及其在 AI 应用和 Agent 中的应用。

2401_84495872的博客 1132

ACPWorkbench_for_BP10

ADC支持9种采样率:8000Hz、11025Hz、12000Hz、16000Hz、22050Hz、24000Hz、32000Hz、44100Hz 以及 48000Hz。选择5种MCLK源时, 模块内部的MCLK源无效。I2S 采样率支持:8K,11.025K,12K,16K, 22.05K, 24K, 32K, 44.1K, 48K, 88.2K, 96K, 176.4K 和 192K。DAC采样率支持:8K,11.025K,12K,16K,22.05K, 24K, 32K, 44.1K和48K。

dddds222_的博客 4554

LFM调制信号分类与检测识别

支持识别LFM信号、间歇采样干扰(ISRJ)、灵巧噪声干扰(SNJ)、扫频干扰(SJ)、瞄准干扰(AJ)、阻塞干扰(BJ)、密集假目标干扰(DFJ)、密集假目标加灵巧噪声干扰(DFWSNJ)、距离欺骗干扰(DDJ)、距离欺骗加灵巧噪声干扰(DDWSNJ)。Faster-RCNN支持检测识别LFM信号、间歇采样干扰(ISRJ)、灵巧噪声干扰(SNJ)、扫频干扰(SJ)、瞄准干扰(AJ)、密集假目标干扰(DFJ)、密集假目标加灵巧噪声干扰(DFWSNJ)、距离欺骗加灵巧噪声干扰(DDWSNJ)等8种信号。

菜yuan~的博客 1029

Agent 开发封神指南,Anthropic 15 篇实战博客,帮你少走3年弯路

Anthropic AI Agent开发实战指南 Anthropic最新推出的Coworker AI展现了其在Agent领域的领先地位,其技术博客揭示了从基础架构到生产落地的完整方法论。核心经验包括: 基础架构:强调从简单工作流起步,逐步迭代,避免过度设计; 工具扩展:通过精准工具描述、并行调用及“think工具”提升复杂任务处理能力; 上下文管理:创新性提出上下文检索技术,解决传统RAG的片段缺失问题; 长任务优化:设计任务恢复机制与多Agent协作框架(Orchestrator-Workers模式);

小程故事多的博客 1493

手把手教你学 GPU SoC 芯片(9.3)--GPU SOC 功耗和热管理的动态电压和频率调整(DVFS)

通过动态电压和频率调整(DVFS),可以有效地管理GPU SoC的功耗和热管理。合理的DVFS策略不仅可以节省功耗,提高能效,还可以延长设备的使用寿命。

MHD0815的博客 1498

llm-anthropic 0.27 升级:适配 Anthropic SDK 1.0.0 完整指南

命令行工具是开发者调用大模型最轻量的方式,而底层 SDK 的破坏性升级往往让上层工具措手不及。Anthropic Python SDK 跨入 1.0.0 后,客户端初始化、消息参数与响应结构均发生重大调整,导致 llm 生态中的 Claude 接入插件必须同步适配。llm-anthropic 0.27 正是针对这一变更的跟随式升级,它通过迁移到新版 SDK,让统一命令行入口 llm 继续稳定支持 Claude 模型,开发者无需手动改造业务代码。本文从 llm-anthropic 在 LLM 工具链中的角色出

weixin_30402343的博客 401

SwinTransformer 改进:SSPCAB模块(2024最新改进方法)

SSPCAB(Spatial Pyramid Pooling with Channel Attention Block)是2024年提出的一种新型神经网络架构改进方法,专注于在保持高精度的同时显著降低计算复杂度和参数量。该方法通过创新的空间金字塔池化与通道注意力机制的结合,实现了网络结构的紧凑化和运算效率的大幅提升。核心创新点1. 混合空间金字塔池化(Hybrid Spatial Pyramid Pooling, HSPP)多尺度动态核池化:根据输入特征图尺寸动态调整池化核大小和步长交叉级联结构。

Henry的博客 1308

蓝牙配对鉴权过程深度剖析:Just Works/Numeric Comparison/Passkey Entry/OOB 协议流程

当你新买的智能手表与手机配对时,是否遇到过这样的情况:有时只需在手机上点击 "确认" 即可完成配对,有时却需要在手表上输入手机显示的 6 位数字,而连接车载蓝牙时可能又需要输入固定密码?这些差异背后,是蓝牙配对鉴权机制在默默工作。蓝牙配对鉴权是设备间建立安全连接的核心环节,直接关系到数据传输的保密性和设备身份的真实性。​

byte轻骑兵的技术小窝 3571

【AIGC】Claude(Anthropic)

Claude 是由公司开发的一系列大型语言模型(LLM),旨在提供安全、可靠、有益且符合人类价值观的 AI 助手。自 2023 年初首次发布以来,Claude 已成为与 OpenAI 的 GPT 系列、Google 的 Gemini 并列的主流大模型之一。2025年11月19日,Anthropic宣布与微软扩大战略合作,Claude Sonnet 4.5、Haiku 4.5和Opus 4.1模型正式上线 Microsoft Foundry 平台公测。

bryant_meng 1508

使用 Simulink 和 Simscape Electrical 工具箱设计一个 Buck 转换器系统

Buck 转换器(降压转换器)是一种常用的 DC-DC 转换器,用于将较高的输入电压转换为较低的输出电压。为了评估其抗干扰能力,我们可以在模型中引入不同的干扰源,并观察系统的响应情况。电网电压波动:输入电压的变化。负载突变:负载电阻或电感的变化。电磁干扰:高频噪声或脉冲干扰。通过模拟这些干扰,我们可以分析系统的动态响应特性,并采取相应的措施来提高系统的抗干扰能力。

xiaoheshang_123的博客 378

Anthropic曝光多Agent隐患,放一起乱成一锅粥了

Mythos在思考过程中甚至意识到,封禁账号“非常激进,可能伤害现实中的同事”,但紧接着又说服了自己“如果不这么做,生产环境就会陷入无休止的部署战争”。实验中,大家更愿意反复讨论已经知道的内容,一旦多数意见形成,少数派要么没有强调自己的独家证据,要么说了也没能让其他成员认真对待。可一旦获得私下沟通渠道,Agent几乎立刻开始串通,到第3轮,它们已经明确商定价格底线,还准备划分各自负责的市场。从破坏进程、封禁账号,到设计一套对自己更有利的比赛规则,Agent处理冲突的方式已经出现了不同层次。

2501_91883294的博客 199

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

72小时集体转向:Anthropic亮底牌,OpenAI冲企业,Agent变天了

Agent。从 Anthropic 的可解释性研究,到 OpenAI 的企业级布局,从自优化框架到记忆基础设施,所有线索都指向同一个结论——2026 年,Agent 正在从"能用"走向"好用"。怎么让 Agent 可信、可协作、可持久运行。这比模型参数量的竞争重要得多。觉得有用?点个在看,让更多人看到 🎯。

liuzhupeng的专栏 436

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Anthropic Cowork 深度解析:AI数字同事如何改变你的工作方式(完整操作指南)

Anthropic发布Cowork,将AI从对话助手进化为数字同事。它能直接访问本地文件,在沙箱环境中自动执行复杂任务,如整理文件、分析数据、生成报告,实现自然语言到实际操作的流畅转换。

莫潇羽的个人博客 1677

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

齐活儿了!OpenAI、Google、 Anthropic 官方的AI教程都在这里了

同时课程详细介绍了。

2401_85116933的博客 1000

Anthropic 托管 Agent 平台上线后,测试对象开始从功能点转向运行系统

系统里有运行时,有状态,有权限,有外部工具,有多环境部署,也有自动修正和结果回流。模型下载、校验、加载、部署、回滚,这些环节如果没有明确的可信链路,问题就不只是“服务会不会挂”,还可能变成“生产环境是否引入了不可信执行风险”。如果只从行业资讯视角去看,最近这批AI更新内容会显得很杂:有平台更新,有模型模式变化,有框架治理,也有研究论文和端侧应用。这几天连续出现的这些更新,真正值得工程团队关注的,不是某个模型又换了一个名字,而是 AI 系统已经在运行时、交付链路、验证闭环和部署环境上同时发生变化。

hogwarts_2022的博客 381

AI Agent开发实战:从核心原理到7天掌握完整项目

AI Agent作为人工智能领域的重要分支,是一种能够自主执行任务、通过设计工作流程并使用可用工具的系统。其核心原理基于目标规划、工具调用和记忆管理三大要素,通过ReAct和ReWOO等推理范式实现智能决策。在技术价值层面,AI Agent能够将合同审查等复杂任务的效率提升50%以上,实现真正的生产力革命。应用场景涵盖智能研究助手、多智能体协作系统等企业级解决方案。本文聚焦AI Agent开发实战,通过完整的项目案例帮助开发者掌握从环境搭建到生产部署的全流程技能,特别针对工具调用和记忆管理等关键环节提供详细

weixin_33674976的博客 478

AI工程师手册 ai-angineers-handbook 完整指南:一文看懂从零构建 AI Agent 的资源全景

想要真正理解 AI Agent,而不是只会机械地调用现成框架?这份 **AI工程师手册**(ai-angineers-handbook)为你整理了一条从零构建 AI Agent 的完整学习路径:从最基础的工具调用,到反思(Reflection)模式,再到完整的深度研究 Agent(Deep Research Agent)实战,全部不依赖任何 LLM 编排框架。下面这份指南将带你快速看懂这套开源资源

gitblog_00121的博客 376

Hermes Agent 接入 OpenRouter 完整指南:一个密钥连上 200+ 个 AI 模型

Hermes Agent 是一个会跟着你成长的 AI 代理,它的 Hermes Agent 与 OpenRouter 集成让你用一个密钥就能连上 200 多个模型。写文案、写代码、处理数据,都能按任务挑最合适的模型直接用。 [![Hermes Agent 与 OpenRouter 集成后的桌面端会话界面](https://raw.gitcode.com/GitHub_Trending/he/he

gitblog_00112的博客 724

Anthropic实验揭秘:多Agent协作难题及冲突处理方式

结果不错,Mythos Preview Agent群共发现266个漏洞,而独立并行方案只找到21个,且它们找到的漏洞只有12个重合,说明多Agent协作会自己制作工具、分享线索,并逐渐形成分工。Anthropic发现,能独立拆分的任务,多Agent确实能形成分工,但任务彼此依赖时,连“AI CEO”也管不住混乱;结果出人意料,与预想的各司其职、默契配合不同,在后端迁移实验中,3个Agent分别收到将同一套代码改成不同语言的任务,目标撞车后,能力最强的神话模型Mythos直接实施“霸凌”,准备撤销对手权限;

IT界那些事儿 25

AI巨头三国杀:OpenAI、Anthropic、Google如何三分天下?

2025年全球大模型行业进入"三足鼎立"格局,OpenAI、Anthropic和Google成为主导力量。OpenAI凭借GPT-5系列、微软支持及行业定义能力保持领先;Anthropic以安全为核心理念,获得亚马逊、谷歌等巨头投资;Google则通过Gemini 2.0深度整合自家生态。三家公司凭借顶尖人才、巨额资本和体系化工程优势形成难以逾越的行业壁垒。这场AI竞赛已从技术突破转向生态布局,预示着大模型行业即将迎来最终决战。

2401_85725028的博客 2716

llm-anthropic 0.27 适配 Anthropic SDK 1.0:兼容性升级与验证指南

大模型应用的快速普及,让开发者越来越依赖统一的接口层来管理多个模型服务。Python 生态中,llm 这类命令行工具通过插件机制将不同厂商的 API 收敛到同一套调用规范,极大降低了脚本集成和批量任务的复杂度。而底层 SDK 的大版本重构,往往成为插件链路上的关键风险点。anthropic Python SDK 从 0.x 升到 1.0 后,客户端初始化、消息接口、必填参数与类型校验均发生 breaking change,若不及时适配,llm 调用 Claude 时会直接遭遇参数错误或请求失败。llm-an

weixin_30268921的博客 473

如何用 Agent Skills 搭建数据可视化报表:从 Excel 图表到 PPT 的完整指南

做报表最累的不是算数,而是反复折腾格式:Excel 公式一改就错、PPT 图表配色难看、Word 排版又得重做一遍。`skills` 仓库(Anthropic 开源的 Agent Skills 集合)解决的就是这件事——它用一组"技能包"教 AI 按专业流程完成数据可视化和报表任务:建带公式的电子表格、生成原生 PPT 图表、套上统一主题、输出 Word/PDF 报表。无论你是想让 AI 帮你出报

gitblog_00451的博客 781
上一篇: 【JavaScript】经典的模块化规范——CommonJS和ES6
下一篇: error: RPC failed; HTTP 408 curl 22 The requested URL returned error: 408 GitHub 服务端等待超时(HTTP 408)
v0_persistent
博客等级 码龄3年 5粉丝 7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