为什么说 Pokee 是 n8n 的反面？因为它让你根本不需要画流程图
现在构建 agents 真是件麻烦事。如果你曾在 n8n 里花上几个小时拉线接 Nodes，或者被某个莫名其妙的 API auth 问题折腾得头大，你就知道我在说什么。那感觉就像教一个机器人煮咖啡——
阅读全文从普通到自进化：构建会自己优化的 Text-to-SQL 智能系统
学习如何借助 Stanford 的 Agentic Context Engineering 构建能自我纠错并自动优化性能的自适应数据库查询系统作者使用 AI 生成的图片当下大多数 Text-to-SQ
阅读全文LangChain1.0教程：给智能体加上记忆功能、工具与中间件
在这个视频中我介绍了如何给智能体添加记忆，以及中间件和工具的使用方法。记忆对于智能体来说，记忆（memory）非常关键——它让智能体能够记住过去的交互、从反馈中学习、并根据用户偏好进行调整。当智能体处
阅读全文Context Engineering（上下文工程）：教你如何让 AI 回答更准、推理更强
Prompts 确立意图。Context 选择事实、历史和工具输出，让 AI 在长任务中保持连贯。Image by Planet Volumes on Unsplash在这个领域的第一幕里，我们沉迷于
阅读全文LangChain1.0教程：消息类型与流式传输
在 LangChain 中，消息是模型上下文的基本单元。它们代表模型的输入和输出，承载着与 LLM 交互时表示对话状态所需的内容和元数据。消息是包含以下内容的对象：role：标识消息类型（例如，sys
阅读全文从普通到自进化：构建会自己优化的 Text-to-SQL 智能系统
学习如何借助 Stanford 的 Agentic Context Engineering 构建能自我纠错并自动优化性能的自适应数据库查询系统作者使用 AI 生成的图片当下大多数 Text-to-SQ
阅读全文LangChain1.0教程：在LangChain中优雅地使用大模型
LLM（大语言模型）是功能强大的 AI 工具，能够像人类一样理解和生成文本。它们用途广泛，无需针对每项任务进行专门训练，即可完成内容撰写、语言翻译、摘要撰写和问题回答等任务。除了文本生成之外，许多模型
阅读全文复杂文档也能一键读懂？PaddleOCR VL + RAG 给出新答案
当文档包含复杂表格、数学公式或多栏排版时，传统 OCR 工具往往会产出杂乱内容，需要手动整理。就在上周，我逛 GitHub 时看到了百度新近开源的 PaddleOCR-VL-0.9B。老实讲，看到它只
阅读全文LangChain1.0教程：创建你的第一个智能体
LangChain1.0 正式发布有几天了，和之前比起来，我感觉优化点还是不少的，起码能让大家清楚明白什么时候该用 LangChain，什么时候该用 LangGraph了。如果你希望快速构建智能体和自
阅读全文复杂文档也能一键读懂？PaddleOCR VL + RAG 给出新答案
当文档包含复杂表格、数学公式或多栏排版时，传统 OCR 工具往往会产出杂乱内容，需要手动整理。就在上周，我逛 GitHub 时看到了百度新近开源的 PaddleOCR-VL-0.9B。老实讲，看到它只
阅读全文使用 RAG、LangChain、FastAPI 与 Streamlit 构建 Text-to-SQL 聊天机器人
在这个项目中，我构建了一个由 AI 驱动的聊天机器人，它可以将自然语言问题转换为 SQL 查询，并直接从真实的 SQLite 数据库中检索答案。借助 LangChain、Hugging Face Em
阅读全文关于使用ChatOpenAI调用阿里云千问模型无法实现结构化输出的解决方案
阿里云提供的 “OpenAI 兼容接口”主要是为了支持标准 OpenAI API 调用。但是并不是完全兼容：尤其是当我们使用下面的方式期待模型产生结构化输出时：from pydantic import
阅读全文这是我最近见过最实用的技能
GPT-5、Claude Opus 4……Agent 技术真的能干活儿了。2025 年 8 月，OpenAI 发布的 GPT-5，可不仅仅是个能说会道的 AI。它在编码、推理方面的能力都有了很大提升，
阅读全文Agentic AI：单智能体 vs 多智能体系统的核心差异
在 LangGraph 中基于结构化数据源构建在 LangGraph 中构建不同的 agent 系统 | Image by author如果你刚开始搭建不同的 agentic 系统，一个有趣的切入点是
阅读全文验证、约束求解、AI 的逻辑基石：推荐一本算法经典新书
🧩 一、从一个简单的问题开始有没有一种办法，能让计算机判断：“这些逻辑条件能不能同时成立？”这看似简单的问题，其实就是现代自动推理的核心：SAT（命题可满足性）与 SMT（带理论的可满足性）。它们是形
阅读全文不吹不黑，这是我用过最顺手的 AI 写代码方案
上周我不小心组了一支开发团队。只是……这支“团队”其实就我、Claude Code 和 Codex 三个，分坐在屏幕两边，像两位彼此勉强容忍的对手工程师。说实话？这简直是_magic_。 如果你想在不
阅读全文构建具备深度思考能力的 Agentic RAG 流水线，用于解决复杂查询
很多 RAG 系统失败，并不是因为 LLM 不够聪明，而是因为它们的架构太简单。它们试图用线性的一次性方式，处理一个本质上循环、多步骤的问题。许多复杂查询需要推理、反思，以及何时行动的聪明决策，这与我
阅读全文LangGraph构建复杂的生产级RAG系统：一个简单的RAG流水线
我们接着此前的两篇文章学习如何使用LangGraph构建一个复杂的可用于生产的RAG系统。此前的两篇文章可以访问下方链接查看：Python+LangGraph+RAGAS构建一个复杂的、可用于生产的R
阅读全文LangGraph构建复杂的生产级RAG系统：构建知识库
在此前的文章中我介绍了：Python+LangGraph+RAGAS构建一个复杂的、可用于生产的RAG系统我们首先由构建知识库开始介绍如何一步步地构建这个复杂的、可用于生产的RAG系统。在这里，我们将
阅读全文构建具备深度思考能力的 Agentic RAG 流水线，用于解决复杂查询
很多 RAG 系统失败，并不是因为 LLM 不够聪明，而是因为它们的架构太简单。它们试图用线性的一次性方式，处理一个本质上循环、多步骤的问题。许多复杂查询需要推理、反思，以及何时行动的聪明决策，这与我
阅读全文FastAPI 架构指南：用这份模版打造可扩展又安全的系统（附实战经验）
我在生产环境中将这套结构打磨用于支持 500+ 并发用户；它扩展轻松、维护不累、生产力全速输出。如果你只想直接在项目中使用该模板的 FastAPI 结构，请查看这个 GitHub repo，内含完整项
阅读全文Graphiti：为智能体构建实时知识图谱
我一直觉得很神奇：大多数 AI 系统只要你一停止和它们对话，就会把一切都忘光。你喂给它们 facts、context、chat logs——会话一结束，噗的一下，全没了。这一直是“intelligen
阅读全文Python+LangGraph+RAGAS构建一个复杂的、可用于生产的RAG系统
构建一个可用于生产的 RAG 系统，需要一系列深思熟虑且迭代的步骤。一切从 清理和准备数据 开始，接着测试不同的 切分策略（逻辑切分与传统切分），以找到最适合你业务场景的方法。然后是 匿名化，通过去除
阅读全文处理复杂问题的RAG系统
本文通过 Retrieval and Structuring (RAS) 范式理解精准推理与领域专长，并附实现示例Large Language Models（LLM，大型语言模型）在文本生成和复杂推理
阅读全文这8个PY库让机器学习不再神秘
Machine Learning 再也不神秘了。Image Generated using Sora你已经熟悉 scikit-learn、PyTorch 和 XGBoost。很好——现在别再重复造轮子
阅读全文全国首部AI智能体应用评估标准，现公开征集起草单位和个人！
2025年已成为AI智能体元年！8月，国务院发布了《关于深入实施“人工智能+”行动的意见》，明确提出到2030年实现“智能体等应用普及率超90%”的目标。同时，AI智能体正以前所未有的速度走向产业核心
阅读全文不会开发AI Agent的程序员，正在悄悄掉队
2025年，AI已经不再是“未来趋势”，而是当下必须掌握的生产力工具。大模型API调用早已成为基础技能，真正拉开差距的，是能否构建可落地、可协作、可部署的AI智能体（AI Agent）系统。如果你还在
阅读全文面向 Agentic AI 的编程基础知识
人工智能（AI）正在从简单的聊天机器人进化成自主代理（autonomous agents）——这些 AI 系统能够进行推理、规划并采取行动来实现目标。构建这样的 Agentic AI 应用需要扎实的编
阅读全文AI 不再“乱跑”：LangChain × LangGraph 打造可控多阶段智能流程
一个使用最新 LangChain + LangGraph APIs 创建多步骤、有状态 LLM 管道的实践指南图片来源：Markus Spiske on Unsplash引言大型语言模型（LLMs）功
阅读全文RAG 调优核心：文本切分决定 70% 的性能表现
分块（Chunking）是构建高效RAG（检索增强生成）系统的核心。从固定分块、递归分块到语义分块、结构化分块和延迟分块，每种方法都在优化上下文理解和准确性上扮演了关键角色。这些技术能大幅提升检索质量
阅读全文