金桃不烦恼-优快云博客

原创三种 Agent 架构区别：DeepSeek Harness、Claude Code 与 Codex 到底有什么不同

本文对比DeepSeekHarness、ClaudeCode与Codex三大Agent系统，揭示其背后不同的设计哲学：ClaudeCode聚焦Agent能力增强，通过技能、钩子与子代理提升智能体表现；Codex强调安全执行，以沙箱与审批机制控制真实环境中的自主行为；DeepSeekHarness追求可组合性，将所有组件插件化，构建灵活的运行时。三者分别代表Agent-centric、Execution-centric、Runtime-centric三种范式，无优劣之分，仅服务于不同目标。未来成熟Agent系

2026-11-04 15:44:15 325

原创 Agent Harness 到底在解决什么：从六个基本问题理解 Agent Runtime

本文探讨了构建高效Agent系统的核心问题，从第一性原理出发提炼出六个关键设计维度：1）AgentLoop（持续思考机制）；2）Context管理（认知资源分配）；3）Tool执行（能力运行时）；4）Session（历史记录）；5）Sandbox（执行环境）；6）Permission（权限控制）。文章指出，现代Agent架构的复杂性本质源于对这六个基本问题的系统性解决，而非简单堆砌功能模块，并强调优秀Agent系统的核心在于动态性与确定性的平衡。通过分层架构（认知层/行动层/治理层）和事件溯源等设计模式，可

2026-08-15 15:22:03 311

原创理解 DeepSeek Harness：为什么模型越来越强，还需要一层复杂的软件系统？

文章探讨了DeepSeek新开源的Agent框架DeepSeekHarness背后的技术演进逻辑。核心观点是：随着大模型能力提升，单纯依靠模型已无法满足复杂任务需求，需要构建完整的"Harness"执行环境来保障可靠性。文章通过分析DeepSeek、Claude和OpenAI的方案，揭示了Agent架构正在形成的标准形态：围绕AgentLoop构建的Context管理、工具调用、权限控制等系统。特别指出DeepSeekHarness采用"全插件化"设计，将核心功能都实

2026-08-15 15:11:05 451

原创 AI 编程完整指南

AI编程新时代：从代码实现到意图治理 AI编程正重塑软件开发范式，核心变革在于从“人工编码”转向“意图定义-AI实现-验证治理”的闭环。

2026-08-05 21:02:41 354

原创 AI 架构设计的本质：决定哪些控制权交给模型

本文探讨了AI系统架构设计的核心问题，提出八种典型架构模式及其适用场景。文章指出，AI应用设计应从控制权分配出发，而非盲目追求"智能体化"，并强调应根据任务确定性、环境变化性、风险等级等维度选择合适架构。作者通过运营商网络故障处置案例，分析了状态图智能体、人机协作等模式的实际应用，强调成熟AI系统需要在自主性与可控性间取得平衡，确保任务可解释、可审计、可人工接管。文章最后指出，优秀AI架构应清晰划分模型、程序和人类的权责边界，而非单纯追求技术先进性。

2026-08-04 01:05:37 338

原创从一次 API 调用到最小智能体：用 Python 跑通核心循环

本文以 Python 和 OpenAI Responses API 为例，摒弃复杂框架，手把手构建了一个最小智能体内核。文章通过 5 个递进代码示例，清晰演示了从一次 API 调用到连续对话、工具调用、智能体执行循环及长期记忆持久化的演进过程。作者强调：模型仅提供决策能力，智能体本质上是围绕模型建立的运行系统，还需配合状态、工具、记忆、权限与终止条件等工程要素，这也是 Claude Code 等成熟智能体强大的关键所在。

2026-07-30 01:31:21 581

原创智能体到底是什么：从模型、API 到工具与记忆

模型只负责根据上下文做推演和判断；智能体（Agent）是围绕模型组织上下文、工具、状态、循环和约束后形成的完整运行系统。本文旨在建立总体架构认知，为后续手写 Agent 内核打下基础。

2026-07-30 01:21:42 333

原创 RAG从入门到高阶（五）：Hybrid RAG全频谱智能检索

本文介绍了一种混合检索增强生成系统(HybridRAG)，它通过整合向量检索、关键词检索和图检索三种方法，实现了对不同类型查询的智能响应。系统核心包括：智能路由器：分析查询意图，动态分配检索权重；混合检索器：并行执行多路检索并融合结果；主控制器：协调整体流程并生成最终答案。HybridRAG相比单一检索方法具有显著优势：覆盖全频谱知识：适应事实性、语义性和关系性查询；增强鲁棒性：多种检索方法互为补充；自适应查询处理：智能匹配最佳检索策略；提高召回率和准确率。

2025-07-05 17:11:49 1828

原创 RAG从入门到高阶（四）：知识图谱Graph RAG

本文详细介绍了GraphRAG系统，这是一种将知识图谱与RAG框架结合的创新方法。传统RAG在处理多跳推理和深层关系时存在局限，GraphRAG通过结构化知识存储、多跳推理能力和可解释的推理路径解决了这些问题。文章系统阐述了GraphRAG的工作原理，包括知识图谱构建、查询理解与子图检索、图推理与答案生成三个阶段。完整展示了从实体关系抽取到知识图谱构建，再到子图检索和答案生成的实现代码。

2025-07-05 17:10:34 1400

原创 RAG从入门到高阶（三）：Multimodal RAG 跨模态智能系统

本文深入探讨了MultimodalRAG（多模态检索增强生成）技术，它突破了传统RAG仅处理文本的限制，让AI能够理解图像、音频等多模态数据。文章详细解析了其三大核心阶段：多模态编码与统一向量空间、多模态索引与检索、多模态生成输出，并提供了完整的代码实现方案，包括多模态编码器、向量存储和生成器等组件。通过实际示例展示了文本、图像和音频查询的应用场景。文章还讨论了性能优化策略、典型应用领域以及部署建议，指出MultimodalRAG在医疗、教育、电商等领域的广阔前景，同时分析了其面临的挑战。

2025-07-04 00:11:09 1624

原创 RAG从入门到高阶（二）：Retrieve-and-Rerank

本文介绍了Retrieve-and-Rerank RAG系统，这是一种改进的检索增强生成架构。系统采用两阶段检索策略：首先通过混合检索（向量+关键词）广泛召回候选文档，再使用交叉编码器进行精确重排序选出最相关文档。文章详细解析了系统实现，包括混合检索器、交叉编码器重排序器和主控制器的代码实现，并提供了配置管理、性能优化（批量处理和缓存）、评估指标等实用方案。与基础RAG系统相比，该架构在Precision、Recall等指标上提升15-20%，但会带来一定延迟增加。

2025-07-04 00:03:48 1205

原创 RAG从入门到高阶（一）：构建你的第一个Naive RAG

RAG技术通过结合检索与生成能力，解决了传统大语言模型在专业知识和最新信息上的局限性。本文介绍了NaiveRAG的三个核心步骤：1）知识库准备（文档分块和向量化）；2）问题检索（相似度匹配）；3）答案生成（结合检索内容）。文章提供了Python实现代码，包含文档处理器、向量存储和主控制器模块，并演示了实际应用示例。NaiveRAG具有实现简单、成本低廉等优点，但也存在检索质量依赖简单向量相似度、无法处理复杂推理等局限性。

2025-07-03 23:55:11 1293

原创 A2A协议详解与代码实战（一）

本文深入解析Google设计的智能体间通信协议A2A（Agent2Agent Protocol），通过构建数学专家智能体网络展示其核心功能。A2A协议作为智能体协作框架，包含三大关键技术：1）智能体发现机制（AgentCard）；2）任务委托与状态管理；3）JSON-RPC安全通信。实战部分演示了三个数学智能体（正弦/余弦/正切）的协同工作流程，包括环境搭建、智能体开发（@agent/@skill装饰器使用）和基于关键词的路由决策系统。

2025-06-26 23:23:12 1326

原创 AI编程/RAG基础教程（二）快速开发基于本地大模型和 FAISS 的 RAG 程序

本文介绍了如何从零搭建一个简易的RAG问答系统，采用Python技术栈(FastAPI后端+Streamlit前端)。系统包含完整的RAG流程：文档预处理(PDF加载/切分)、向量化(使用OllamaEmbeddings和FAISS)、检索增强生成(基于qwen3:14b模型)。项目采用模块化结构，包含data、indexs、config等标准目录。作者通过代码示例演示了核心实现，并指出当前系统的不足，包括文档切分策略、嵌入模型选择、提示词工程等需要优化的环节，为后续RAG系统调优提供了方向性指导。

2025-06-26 08:04:32 879

原创 AI编程/RAG基础教程（一）基于本地大模型和 FAISS 的 RAG 实战教程

本文详细介绍了如何从零开始构建一个基于检索增强生成（RAG）技术的智能问答系统。主要内容包括：1）RAG的基本原理，通过检索外部知识增强大语言模型回答的准确性和实时性；2）具体实现步骤：PDF文档加载、文本拆分、向量存储与检索、大模型初始化；3）使用LangChain框架、Ollama本地模型和FAISS向量数据库的代码实现；4）系统优化方向如数据预处理、文本拆分策略、检索技术等；5）可替代的技术栈选项。通过本教程，读者可以掌握RAG的核心技术，并搭建一个完整的本地智能问答系统。

2025-06-25 00:54:31 1348 5

原创 RAG实战基础篇/windows电脑快速部署qwen3:14B

本文介绍了在Windows系统上快速部署ollama运行Qwen3:14B大模型的方法。首先下载安装ollama后，通过命令行拉取Qwen3:14B模型，该模型在int4量化下占用11.5G显存。文章展示了如何通过本地API接口（localhost:11434）进行模型调用，并提供了POST请求示例，支持常规和流式输出两种模式。最后提到后续将基于该本地大模型搭建RAG应用，实现个人知识库问答功能。整个部署过程简单高效，适合快速搭建本地AI开发环境。

2025-06-23 23:49:53 944

原创 qwen2:7b本地化部署：Ollama更新、设置、api调用qwen2服务

本篇介绍了如何使用Ollama本地化部署qwen2:7b，以及进行Ollama的参数设置以及使用api调用qwen2的api服务的方法。

2024-08-26 00:33:01 20358 2

原创 Qwen模型LoRA微调后的两种启动方式

本文记录了Qwen模型LoRA微调后的两种启动方式。

2024-05-18 17:03:29 3294

原创 Ubuntu22.04本地部署qwen模型、jupyterlab开发环境、LoRA微调全流程-续

接着上一篇，在Ubuntu22.04本地部署qwen模型，准备数据，进行LoRA微调。

2024-05-18 16:25:44 1635 3

原创 Ubuntu22.04本地部署qwen模型、jupyterlab开发环境、LoRA微调全流程

这段时间在自己的Win11系统上部署了chatGLM以及Qwen模型，进行对话、推理以及工具调用都没有问题，但是在尝试进行微调的时候发现好像并不能成功，因此花费了很大的力气，又分别在ubuntu桌面版、windows子系统WSL2 Ubuntu上部署了Qwen模型，并尝试进行LoRA的微调实践。由于过程比较多，步骤较为繁琐，我可能会分几个部分进行叙述。首先介绍一下我的两个环境（平民玩家，勿喷）：一台笔记本安装的Ubuntu22.04桌面版：显卡是1070M 8G。

2024-05-18 15:31:40 4303