- 博客(264)
- 收藏
- 关注
RSS订阅原创 Nacos：微服务架构的“服务管家“与“配置中心“完全指南
Nacos是由阿里巴巴开源的一款集服务发现、配置管理和服务管理于一体的动态平台，专为微服务架构设计。本文全面介绍了Nacos的核心功能、技术原理和实战应用： 核心功能：Nacos提供两大核心能力： 服务注册与发现：支持动态服务注册、健康检查和负载均衡 配置管理：实现配置集中存储、动态刷新和多环境隔离 技术特点： 独创性：同时支持AP（服务发现）和CP（配置管理）模式 高性能：采用Distro和Raft协议，经受双十一考验 扩展性：支持Spring Cloud、Dubbo等主流框架 实战指南： 快速启动：支持
2026-05-30 09:00:21
942
原创 CoPAW（QwenPaw）：开源桌面Agent平台（下）
本文是 QwenPaw 技术教程下篇，深入讲解高级功能与最佳实践。首先介绍频道配置，详细说明钉钉、飞书等平台的接入步骤及访问控制机制。接着阐述 MCP 协议与内置工具系统，涵盖文件操作、命令执行、浏览器自动化等 15+ 种工具的使用方法。文章还讲解了定时任务（Cron Job）和计划模式（Plan Mode）的配置与应用，以及记忆系统的文件结构与进化机制。安全特性部分介绍多层防护架构，包括工具防护、文件访问控制和技能安全扫描。最后提供最佳实践指南，涵盖人设设计、技能开发、性能优化建议及常见问题解决方案，并附
2026-05-29 14:00:00
1744
原创 CoPAW（QwenPaw）：开源桌面Agent平台（上）
本文是 QwenPaw 开源 AI 个人助理的技术教程上篇。首先介绍 QwenPaw 的定位——一款完全由用户掌控的 AI 助理，具备六大核心能力：数据自主可控、Skills 技能扩展、多智能体协作、多层安全防护、全域触达（支持钉钉/飞书/微信等10+频道）、记忆进化与主动交互。文章详细讲解六种安装部署方式：pip 安装、脚本一键安装、Docker 部署、阿里云 ECS 一键部署、魔搭创空间、桌面应用。接着深入模型配置，涵盖本地模型（QwenPaw Local、Ollama、LM Studio）和云提供商（
2026-05-29 09:00:00
1852
原创 深入浅出 AgentScope 2.0：打造你的 AI 智能体军团（下篇）
摘要：本文介绍了多Agent协作框架AgentScope的核心功能与应用场景。主要内容包括：1）多Agent协作的必要性，通过专业分工解决复杂任务；2）三种协作模式（顺序执行、并行执行、层级协作）的实现方法与代码示例；3）消息中心(MsgHub)的通信机制；4）工具开发规范与权限控制系统；5）生产环境部署方案。文章还提供了最佳实践建议和常见问题解决方案，帮助开发者构建高效的智能体系统。AgentScope以其低学习曲线、生产就绪特性和完善的权限控制，成为构建多Agent应用的理想选择。
2026-05-28 14:00:00
1203
1
原创 深入浅出 AgentScope 2.0：打造你的 AI 智能体军团（上篇）
AI智能体（AIAgent）时代已经到来，阿里巴巴开源的AgentScope 2.0框架为开发者提供了构建智能体应用的高效工具。该框架具备推理、工具调用、记忆、规划和自主决策等核心能力，采用ReAct（推理-行动）工作模式，支持多租户、多会话管理等生产环境需求。AgentScope相比其他框架具有简单易用（5分钟上手）、生产就绪和丰富生态三大优势，其模块化架构包含Agent层、工具层、消息系统等核心组件。开发者可通过Python快速创建具备Shell操作、文件读写等功能的智能体，并实时观察其思考过程。框架支
2026-05-28 09:00:33
3294
原创 深入浅出 LoongSuite Python Agent：让你的 AI 应用「透明化」（下篇）
本文介绍了如何使用LangChain+LangGraph构建可观测的智能研究助手，并利用LoongSuite进行监控。文章详细展示了项目结构、代码实现（包括工具定义、Agent创建和主应用），重点说明了如何通过LoongSuite实现追踪数据的采集与分析。通过实战案例演示了完整的请求链路追踪，包括耗时分析、工具调用次数统计等关键指标。此外，还提供了高级用法（自定义Span属性、敏感信息过滤等）和最佳实践建议（环境配置、性能优化等），帮助开发者构建透明、高效的AI应用。最后总结了LoongSuite的核心优势
2026-05-27 15:41:51
575
原创 深入浅出 LoongSuite Python Agent：让你的 AI 应用「透明化」（上篇）
LoongSuitePythonAgent是阿里开源的一款专为AI应用设计的可观测性工具，通过自动埋点技术实现对AI应用的全链路监控。它基于OpenTelemetry标准，支持主流AI框架（如LangChain、CrewAI、OpenAI等），提供零代码侵入的监控方案，可追踪LLM调用、Token消耗、Agent推理过程等关键指标。该工具采用分层架构设计，包含三种埋点类型：针对AI框架的特有埋点、遵循GenAI语义约定的埋点以及通用应用埋点。用户只需简单配置即可将监控数据导出到控制台、Jaeger或阿里云A
2026-05-27 15:39:49
827
原创 Mooncake：以 KVCache 为中心的分离式 LLM 服务架构
阿里巴巴MoonshotAI推出的Mooncake是一个革命性的大语言模型推理平台，采用以KVCache为中心的分离式架构，将预填充(Prefill)和解码(Decode)过程分离到不同GPU集群，并通过分布式KVCache池实现高效缓存共享。该平台通过创新的TransferEngine实现高速数据传输，支持RDMA、TCP等多种协议，显著提升吞吐量并降低延迟。Mooncake已成功应用于Kimi大模型服务，支持数千节点、日处理千亿token的规模，相比传统架构提升115%处理能力，同时降低成本40%。其核
2026-05-26 14:00:00
1167
原创 WebMCP Nexus：让 React 应用成为 AI Agent 可驱动的工具
WebMCPNexus是阿里巴巴开源的零侵入前端AI集成方案，可将React应用快速转化为AIAgent可操控的对象。该方案基于WebMCP标准提案，通过构建时类型反推自动生成工具Schema，无需修改业务代码，仅需添加JSDoc注释和一行注册代码即可实现功能暴露。核心特性包括三级作用域管理、跨浏览器兼容、桌面Agent直连等，支持Vite/Webpack构建工具，提供完整的类型安全和生命周期管理。典型应用场景包括智能数据查询、自动化工作流等，大幅降低了Web应用与AI集成的技术门槛。
2026-05-26 09:45:00
861
原创 TorchEasyRec：阿里巴巴开源的推荐系统深度学习框架详解
TorchEasyRec 是阿里巴巴开源的基于 PyTorch 的推荐系统深度学习框架，专为构建生产级推荐模型而设计。该框架实现了业界最先进的推荐算法，涵盖召回、排序、多任务学习和生成式推荐等完整链路，支持 20+ 生产级模型（如 DSSM、DIN、DeepFM、MMoE、HSTU 等）和 10+ 特征类型。框架具备强大的扩展能力，支持分布式训练、大规模 Embedding、零冲突 Hash、混合精度训练等特性，并提供多种数据源支持（MaxCompute、Parquet、Kafka 等）。在生产部署方面
2026-05-25 14:00:00
1212
原创 RTP-LLM：阿里巴巴开源的大模型推理加速引擎详解
阿里巴巴开源的大模型推理加速引擎RTP-LLM是一款专为提升大语言模型推理性能而设计的工具。它通过PagedAttention、FlashAttention等优化技术，结合动态批处理和量化方法，显著降低推理延迟和显存占用。该系统支持多种主流开源模型，包括LLaMA、ChatGLM等，并提供多GPU并行、LoRA适配等高级功能。RTP-LLM已在淘宝、高德等阿里系产品中验证其生产环境可靠性，具备灵活部署、高性能和易用性等特点。项目采用分层架构设计，支持从单机到Kubernetes集群的多种部署方式，并持续扩展
2026-05-25 09:00:00
1157
原创 AI开发~OpenAI专家之路：构建企业级AI应用（第三部分·下）
本文介绍了大型语言模型(LLM)应用测试与评估的完整体系，主要包括以下核心内容： 黄金数据集(Golden Dataset)：作为标准答案库，用于基准测试、回归测试和模型微调。通过Python代码实现了数据集管理、评估和增强功能。 人工评估系统：设计了评估标准、评分等级和多人评估机制，通过系统化方法收集人工反馈。 A/B测试框架：包含实验设计、流量分配、数据收集和统计分析全流程，支持科学验证模型改进效果。 持续监控体系：构建了指标收集、异常检测和告警机制，实现对模型性能的实时监测。 用户反馈系统：设计了多种
2026-05-24 14:18:14
321
原创 AI开发~OpenAI专家之路：构建企业级AI应用（第三部分·上）
本文介绍了LLM应用测试与评估的关键方法。首先阐述了测试的必要性，指出LLM输出具有不确定性，需要通过测试确保质量。其次构建了多维度评估体系，包括准确性、相关性、连贯性、安全性和性能等指标，并提供了Python实现代码。然后设计了自动化测试框架，包含测试用例管理、执行引擎和报告生成功能。最后介绍了回归测试方法，通过对比基线结果确保模型更新不会降低性能。这些方法为LLM应用的质量保障提供了系统化解决方案。
2026-05-24 14:14:54
468
原创 AI开发~OpenAI专家之路：构建企业级AI应用（第二部分）
包含四大部分：向量数据库深入 ：详解HNSW、IVF、PQ等索引算法，提供完整实现代码，对比Pinecone、Weaviate、Chroma等主流数据库的优缺点和适用场景。LLM安全与对齐 ：分析提示词注入、越狱攻击等安全风险，实现输入输出扫描、内容审核系统，构建可信AI防护体系。企业级架构设计 ：涵盖微服务架构、API网关、缓存策略、限流熔断、优雅降级等高可用方案，确保系统稳定性和可靠性。性能优化与监控 ：包括指标收集、批处理优化、异步处理等技术，提升系统吞吐量和响应速度。
2026-05-23 14:00:00
563
原创 AI开发~OpenAI专家之路：构建企业级AI应用（第一部分）
本文介绍了构建企业级AI应用的核心技术，包括多Agent系统、高级RAG技术和LLM评估测试。在多Agent系统部分，详细讲解了主从架构、对等协作架构和Agent编排框架的实现方法，展示了如何让多个AI专家协同工作。高级RAG技术部分突破了基础检索的局限性，提出了混合检索、多跳检索和自适应检索等创新方法，显著提升了检索精度。最后，文章建立了完整的LLM评估体系，包括自动化评估框架和多种评估指标，确保AI应用的质量可控。这些技术为企业构建生产级AI系统提供了关键解决方案。
2026-05-23 09:00:00
532
原创 AI开发~OpenAI连接各大公共模型：从入门到精通（进阶）
本文摘要： 本文是一篇OpenAI API进阶教程，从基础API调用深入到构建完整AI应用的核心技术。主要内容包括： Embeddings技术：讲解文本向量化原理，实现语义搜索功能 RAG系统：构建检索增强生成系统，让AI基于私有知识库回答 Prompt工程：详解提示词设计原则和高级技巧 Agent开发：实现能自主规划执行的智能体 模型微调：指导如何准备数据和训练专属模型 生产实践：涵盖错误处理、监控、成本优化等关键环节 教程采用理论+代码实践的方式，包含完整的Python实现示例，如语义搜索引擎、知识库问
2026-05-22 14:25:28
680
原创 AI开发~OpenAI连接各大公共模型：从入门到精通
本文详细介绍了如何使用OpenAI SDK连接多种AI模型的核心方法和技巧。主要内容包括： 核心概念解析：API Key、Base URL、模型名称等基础要素的说明 连接方式差异：OpenAI官方、Azure及国内大模型（通义千问、智谱GLM等）的具体对接方法 多模态模型应用：文本、图像、语音等不同模态的处理技术 高级实践技巧：错误处理、成本控制、异步调用等优化方案 完整代码示例：提供统一封装类和多功能AI助手实现 文章通过通俗易懂的"大白话"解释技术概念，同时深入底层原理，帮助开发者快
2026-05-22 14:12:19
1496
原创 LangGraph 思维模式（Thinking in LangGraph）速成教程（全）
《LangGraph思维模式：构建智能客服邮件系统的实践指南》 本文系统介绍了如何运用LangGraph思维构建智能客服邮件系统。核心方法论是将复杂流程拆解为离散节点，通过共享状态连接各节点，并用边定义跳转关系。具体实施分为五个步骤：流程拆解、节点类型识别、状态设计、节点实现和连接组装。 以客服邮件系统为例，演示了从读取邮件到发送回复的全流程实现，包括分类意图、文档搜索、起草回复等关键节点。文章重点阐述了状态设计原则（存储原始数据）、错误处理策略（分层应对不同错误类型）以及节点设计的最佳实践（单一职责原则）
2026-05-21 14:00:00
1032
原创 LangGraph 思维模式教程（七）：关键洞察与最佳实践
本文总结了LangGraph构建智能体的核心方法论，包含四大关键洞察和最佳实践。核心思想是将复杂流程拆解为单一职责的节点（LLM/数据/动作/用户类型），通过原始数据状态连接，在节点内决定跳转逻辑。最佳实践包括：节点命名规范（动词+名词）、分层错误处理策略（5级处理机制）、代码组织结构建议。常见问题解答了节点粒度、状态管理、长任务处理等实际场景。最终强调"拆解-连接-实现-跳转"的思维模式，建议从流程图开始，逐步实现并持续验证。该框架可提高智能体的可测试性、可维护性和灵活性。
2026-05-21 09:00:00
576
原创 LangGraph 思维模式教程（六）：连接节点与错误处理
本文介绍了如何使用LangGraph构建智能体，重点讲解了图的组装过程和错误处理策略。主要内容包括：1）图的组装步骤（创建StateGraph、添加节点、定义边、编译图）；2）图的执行方式（同步执行invoke和流式执行stream）；3）五种错误处理策略（自动重试、LLM自我修正、等待用户输入、补偿分支、向上抛出）。文章通过工厂流水线的比喻形象地解释了节点、图和边的关系，并提供了详细的代码示例和决策树来指导错误处理策略的选择。
2026-05-20 14:00:00
658
原创 LangGraph 思维模式教程（五）：实现节点
本教程深入讲解了LangGraph中节点的设计与实现方法。节点作为LangGraph的基本构建单元，本质上是普通的Python函数，具有以下特点：1. 接收状态作为唯一参数，返回更新字典或Command对象；2. 遵循单一职责原则，每个节点只完成一项特定任务；3. 支持同步和异步实现，可灵活处理各类业务场景。教程详细演示了邮件智能体的7个核心节点实现，包括数据节点(read_email)、LLM节点(classify_intent)、动作节点(bug_tracking)和用户节点(human_review)
2026-05-20 09:00:00
620
原创 LangGraph 思维模式教程（四）：设计状态
本文深入讲解了LangGraph中状态设计的关键原则和方法。状态作为节点间共享的"笔记本"，其设计应遵循：1）仅存储需要跨步骤持久化的原始数据；2）避免存储可推导或临时数据；3）优先使用TypedDict定义类型。文章通过邮件智能体案例，详细说明了如何识别必要状态字段、避免常见错误（如存储格式化文本），并介绍了部分更新机制和reducer的使用。最后提供了状态设计检查清单，强调保持状态最小化、原始化和类型安全的重要性，为后续节点实现奠定基础。
2026-05-19 14:00:00
533
原创 LangGraph 思维模式教程（三）：识别节点类型
本文深入解析了LangGraph中四种节点类型的特点及应用场景。LLM节点负责调用大模型进行理解、生成和推理，需结构化输出和错误处理；数据节点执行外部查询，具有可缓存性；动作节点修改外部状态，强调幂等性；用户节点等待人工输入，需要检查点机制。文章通过邮件处理案例详细说明各类节点的实现方式，并提供了节点选择决策树和最佳实践指南，帮助开发者构建高质量的智能体系统。
2026-05-19 09:00:00
505
原创 LangGraph 思维模式教程（二）：拆解流程
摘要：本文详细介绍了如何用LangGraph构建AI客服系统的流程拆解方法。首先强调需求分析的重要性，通过5个典型场景（如密码重置、Bug报告等）提取处理规律。然后逐步拆解为7个核心节点：读取邮件、分类意图、文档搜索、Bug跟踪、起草回复、人工审核和发送回复，并给出清晰的流程图。重点阐述了节点设计的三大原则：单一职责、合适粒度和明确输入输出，同时提供了检查清单和常见错误示例。最后提出扩展思考题，为后续节点类型识别章节做铺垫。整个流程拆解方法强调先理清业务逻辑再编码，确保系统结构清晰、易于维护和扩展。
2026-05-18 14:45:00
522
原创 LangGraph 思维模式教程（一）：核心理念
本文介绍了LangGraph的核心思维模式，通过将复杂流程拆解为独立节点来构建智能体。主要内容包括： 传统编程的四大问题：嵌套深、难修改、难测试、难调试 LangGraph三大核心概念： 节点(Node)：单一职责的函数 状态(State)：共享数据的TypedDict 边(Edge)：控制流程跳转 构建智能体的五个步骤：拆解流程→识别节点类型→设计状态→实现节点→连接节点 与传统编程对比的优势：可读性强、易于测试调试、扩展性好、节点可复用 文章通过工厂流水线、乐高积木等比喻形象说明LangGraph思想，
2026-05-18 09:43:24
567
原创 LangGraph Agent 开发指南（12~函数式 API）
函数式API是一种简化工作流构建的开发方式，通过装饰器将普通Python函数转换为可管理的工作流单元。核心组件包括@entrypoint标记工作流入口和@task标记任务单元，支持同步/异步执行、持久化、中断恢复和并行处理。相比传统图API，函数式API允许直接使用原生控制流(if/for)，无需重构代码结构，学习曲线更低。典型应用场景包括LLM调用、复杂业务流程、需要人工干预或重试的操作等。该API提供完整的生命周期管理功能，包括检查点、记忆机制、流式传输和可视化监控，同时保持与图API的互操作性。开发者
2026-05-17 17:00:00
599
原创 LangGraph Agent 开发指南（11~多智能体系统 Multi-Agent）
多智能体系统架构与应用指南 摘要：本文系统介绍了多智能体系统的概念、架构类型及实现方法。多智能体系统通过分工协作解决单智能体面临的效率低下、决策困难等问题，具有模块化、专业化、可控性和可扩展性等优势。文章详细阐述了五种核心架构（网络型、主管型、主管工具调用型、分层型和自定义工作流型）的特点及适用场景，并提供了完整的代码示例。重点讲解了智能体间的交接机制，包括控制权转移和数据传递的实现方法。最后，文章通过旅行预订系统的实际案例，展示了多智能体系统的具体应用，并解答了常见问题，为开发者提供了实用的技术指导。
2026-05-17 12:29:03
878
原创 LangGraph Agent 开发指南（10~子图 Subgraphs）
子图是一种将复杂系统模块化的技术，它允许将一个完整的图作为节点嵌入到另一个图中。文章通过乐高积木的比喻，解释了子图如何实现代码复用和组件化开发。核心内容包括两种通信方式（共享状态模式和不同状态模式）的实现方法、多级子图的嵌套结构、持久化配置技巧以及实际应用场景（如多代理系统）。技术实现上详细展示了如何定义子图、添加到父图、处理数据转换，并提供了调试和状态查看的方法。子图特别适用于需要模块化开发、代码复用或封装复杂逻辑的场景，能有效提升大型系统的开发效率和可维护性。
2026-05-16 14:00:00
690
原创 LangGraph Agent 开发指南（9~工具 Tools）
本文系统介绍了AI工具调用的核心概念与实现方法。主要内容包括：1.工具的定义与作用，即通过函数扩展AI能力，实现实时查询、计算等操作；2.工具调用原理，展示LLM如何分析意图并生成工具调用指令；3.四种创建工具的方法，重点推荐@tool装饰器方式；4.工具使用流程，包括绑定、调用和结果处理；5.高级应用如状态管理、错误处理和长期记忆存取。文章还提供了数学计算和搜索功能的具体实现示例，并解答了常见问题。工具作为AI的"手"和"眼"，有效增强了模型与真实世界的交互能力。
2026-05-16 09:27:42
643
原创 LangGraph Agent 开发指南（8~时间旅行 Time Travel）
本文介绍了时间旅行在AI代理中的应用，核心是通过检查点保存状态快照，实现类似游戏存档读档的功能。主要内容包括：1）时间旅行概念，允许代理回到历史状态修改参数后重新执行；2）三大用途：理解推理过程、调试错误和探索替代方案；3）四个操作步骤：运行图、识别检查点、更新状态和恢复执行；4）分支概念，从历史检查点恢复会创建新分支而保留原始历史。文章还提供了完整代码示例和常见问题解答，说明时间旅行如何帮助开发者更好地理解和优化AI代理的行为。
2026-05-15 14:00:00
497
原创 LangGraph Agent 开发指南（7~断点 Breakpoints）
文章摘要：断点是程序调试中的重要工具，分为静态断点和动态断点两种类型。静态断点在特定节点前后固定暂停，适合调试和逐步执行；动态断点根据条件在节点内部暂停，适合异常处理和条件判断。使用断点需要配合检查点器保存状态，通过传入None恢复执行。文章详细介绍了两种断点的设置方法、使用场景和恢复流程，并提供了完整示例代码。断点功能使开发者能够观察中间状态、进行人工干预，是调试和验证程序执行过程的有效手段。
2026-05-15 09:00:00
528
原创 LangGraph Agent 开发指南（6~人工参与循环 Human-in-the-Loop））
人工参与循环(Human-in-the-Loop)是一种让AI系统在执行关键操作时暂停并等待人工确认的机制。核心流程包括：Agent执行到关键节点时调用interrupt()暂停，等待人工输入后通过Command(resume=...)恢复执行。主要应用场景包括敏感操作审批、LLM输出审查、工具调用确认和输入验证等。实现时必须使用检查点器保存状态，并指定线程ID标识会话。常见设计模式有批准/拒绝、审查编辑、获取输入和验证输入四种。该机制能有效防止误操作，提高AI系统的安全性和可靠性，适用于需要人工监督的自动
2026-05-14 14:00:00
559
原创 LangGraph Agent 开发指南（5~记忆 Memory）
《智能Agent的记忆系统设计与实现》 本文系统阐述了智能对话系统中记忆机制的设计原理和实现方法。记忆系统分为短期记忆和长期记忆两大模块：短期记忆通过检查点器(Checkpointer)管理当前对话线程的状态和历史，长期记忆则通过存储(Store)实现跨对话的用户偏好和知识共享。 关键技术方案包括： 对话管理采用截断、滑动窗口和摘要三种策略处理长对话 记忆存储支持语义搜索和命名空间隔离 记忆类型细分为语义记忆、情景记忆和程序记忆三类 写入机制区分热路径同步写入和后台异步写入两种模式 系统通过LangGrap
2026-05-14 09:00:00
609
原创 LangGraph Agent 开发指南（4~持久化 Persistence）
文章摘要：本文系统介绍了LangGraph中的持久化机制，通过类比游戏存档功能，解释了持久化的核心概念和实现方式。主要内容包括：1）持久化的基本架构，包含检查点器、检查点和线程三大组件；2）状态管理方法，如获取状态、更新状态和状态回放；3）记忆存储(Store)机制，支持跨线程数据共享和语义搜索；4）内置检查点器的类型和使用场景；5）持久化实现的四大核心功能：记忆保持、人工干预、时间旅行和容错恢复。文章通过代码示例详细展示了如何在实际应用中实现多轮对话记忆、状态回放等典型场景，并提供了常见问题解答和API速
2026-05-13 14:00:00
489
原创 AI编程之 FastMCP 进阶《FastMCP生产级开发实战指南》
《FastMCP生产级开发实战指南》摘要 本文是一套完整的FastMCP企业级开发解决方案，从基础协议解析到高阶生产部署，全面覆盖AI工具开发的核心需求。教程重点解决了传统Demo项目在真实业务场景中的不足： 构建了包含安全认证、日志溯源、限流防护的完整生产框架 提供标准化项目结构与环境配置方案 实现跨平台部署支持（Windows/Linux/Mac） 深度整合大模型真机对接能力 配套异常排查手册与性能优化建议 核心亮点包括： 全自动MCP协议适配 企业级安全防护体系 高可用服务保障机制 开箱即用的生产代码
2026-05-13 09:00:00
893
原创 AI编程之 FastMCP 速成教程
FastMCP是一个Python框架，用于快速搭建MCP（模型上下文协议）服务器和客户端，让大模型能够安全、规范地调用外部工具和获取数据。它通过简单的装饰器语法（@mcp.tool和@mcp.resource）将普通Python函数转化为大模型可用的工具和数据资源，自动处理协议封装、类型验证和网络通信。开发者无需了解复杂协议细节，只需编写常规Python函数并添加类型注解和文档字符串，就能让大模型获得计算能力（如加减法）、数据查询（如天气API）等功能。框架支持工具调用和资源访问两种交互模式，兼容主流大模型
2026-05-12 14:00:00
687
原创 Windows 免费通配符 SSL 证书创建教程
本文介绍了两种获取通配符SSL证书的方法：本地测试和公网正式使用。本地测试推荐使用mkcert工具快速生成自签名证书，或通过PowerShell命令创建；公网正式使用则建议通过Let's Encrypt申请免费通配符证书，使用win-acme工具自动化完成DNS验证、证书生成和自动续期。文章详细说明了每种方法的操作步骤，包括证书生成、验证、导出和部署到服务器的过程，并解答了常见问题，如通配符证书与普通证书的区别、DNS验证的必要性以及证书过期的处理方法。
2026-05-12 09:00:00
692
原创 LangGraph Agent 开发指南（3~流式传输 Streaming）
流式传输是一种实时数据传输技术，允许内容边生成边展示。相比传统下载完再处理的模式，流式传输能显著提升用户体验。主要分为三种类型：1）Agent进度流式，实时显示执行节点状态；2）LLM Token流式，逐字输出生成内容；3）工具更新流式，展示工具执行进度。开发者可根据需求选择单一或组合模式，通过stream_mode参数灵活控制。该技术特别适用于需要实时反馈的场景，如聊天机器人、长时间任务处理等，能有效减少用户等待焦虑，提升交互体验。
2026-05-11 14:00:00
621
原创 LangGraph Agent 开发指南（2~运行 Agent）
本文介绍了LangGraph中Agent的运行方式和基本用法。主要内容包括：1）Agent的两种执行方式（同步invoke和异步ainvoke）及适用场景；2）输入格式要求（必须包含messages键的字典）和多种消息格式；3）输出结构解析和流式输出方法；4）迭代次数控制方法；5）常见问题解答和API速查表。文章通过示例代码详细说明了如何创建和运行Agent，包括基础调用、流式输出和迭代限制等实用功能，为开发者提供了全面的使用指南。
2026-05-11 09:00:00
641
原创 LangGraph Agent 开发指南（1~概述）
Agent（智能体）是一种能执行任务的AI系统，由大语言模型（负责决策）、工具集（执行具体操作）和提示词（定义行为规范）三部分组成。它通过"思考-行动-观察"的循环机制完成任务，相比传统程序更具灵活性。LangGraph框架提供了构建Agent的关键功能，包括记忆管理、人工干预和流式输出等，并支持快速创建预构建组件。Agent适用于需要动态决策的场景，但不适合流程固定的任务。最佳实践包括设计单一职责的工具、编写清晰的提示词和完善错误处理。通过LangGraph可以快速部署生产级Agent
2026-05-10 14:00:00
454
Axum0.8.4完整源代码
2025-09-08
Chrome浏览器for Linux手动安装包(.deb文件)
2025-02-17
《The Python/C API 》 本手册描述了希望编写扩展模块并将 Python 解释器嵌入其应用程序中的 C 和 C++ 程序员可用的 API
2025-02-06
Microsoft C++ 生成工具
2025-02-05
Python 3.13.1版本常见问题解答文档（中文完整版）
2025-02-05
Python多平台环境配置与使用手册
2025-02-05
Python参考手册中文完整版（Python3.13.1）
2025-02-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人