全国首部AI智能体应用评估标准正式启动
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PostgreSQL 向量检索：可用于生产，还是过度炒作？
一家高速成长的电商初创公司的工程团队正在进行一场经典讨论。他们的推荐引擎需要语义搜索来将用户查询与数百万条商品描述匹配。他们该选择像 Qdrant 或 Pinecone 这样的专用向量数据库，还是使用
阅读全文FastAPI+Streamlit打造一套智能体应用GUI展示平台（更新）
本次我在《FastAPI+Streamlit打造一套智能体应用GUI展示平台》的基础上加入了三点更新：使用 PostgreSQL 作为 Checkpointer，将 LangGraph Agent 从
阅读全文LangChain1.0：Message（消息）
在 LangChain 中，消息（Message）是模型上下文的基本单元。它们代表了模型的输入和输出，在与LLM交互时，承载着对话状态所需的内容和元数据。消息具有以下属性：角色（Role）：标识消息类
阅读全文信息论之父香农的开山之作《通信的数学理论》中文版正式发布！
12月的第一天想和大家分享的这本书，是信息论的开山之作——《通信的数学理论》。克劳德·香农（Claude Shannon）提出了一个非常惊人的观点：信息是可以被量化的。他用“熵”来衡量信息的不确定性，
阅读全文打造真正好用的 AI 工具：Python、FastAPI 与 LangChain 一次搞懂
打造真正好用的 AI 工具：Python、FastAPI 与 LangChain 一次搞懂为什么你的 AI 脚本值得更好的呈现方式想象你做了个很酷的 AI 模型，会回答问题或总结文本。在 Jupyte
阅读全文LangChain1.0：使用大模型
大型语言模型（LLM）是一种强大的 AI 工具，能够像人类一样理解与生成文本。它们具有高度通用性，可以用于写作、翻译、摘要和问答等任务，而无需针对每个任务进行额外的专业训练。除了文本生成之外，许多模型
阅读全文构建 Agentic AI 的 14 个关键点
优化 Agentic 方案离不开软件工程：要让各组件能够协调协作、并行运行，并能高效与系统交互。比如 Speculative Execution（推测执行），通过提前处理可预测的请求来降低延迟；再比如
阅读全文LangChain1.0快速体验
在过去的几天，我一直在思考如何以更简单更高效地形式学习 LangChain 和 LangGraph 1.0 的特性，好在让我探索出了一条道路：在做中学！前几天我发表了一篇关于 AgengHub 的文章
阅读全文NVIDIA新论文引爆AI圈：TiDAR架构一举破解大模型“速度 vs 质量”世纪难题！
在大语言模型（LLM）的世界里，有一个长期困扰工程师和研究者的“不可能三角”：推理速度、生成质量、计算成本——三者难以兼得。尤其是速度与质量之间的权衡，几乎成了行业共识：自回归模型（如GPT系列）：质
阅读全文RAG 太慢？如何将延迟削减 97%
今天我们来探讨一次 RAG 效率的大飞跃。为什么传统 RAG 会又慢又浪费传统 RAG 流水线常见做法是把一堆检索到的文本 chunk 塞进 prompt，然后交给 LLM 处理。但这些 chunk
阅读全文高效地为智能体创造工具
Learn how to effectively create tools for your AI agents. Image by ChatGPT.AI agents 是由一系列 LLM 调用组成的
阅读全文FastAPI+Streamlit打造一套智能体应用GUI展示平台
在《LangChain1.0教程：给我们的RAG智能体加上记忆功能》中我们已经学会了如何在 Juyputer Notebook 中构造一个具有记忆能力的 RAG Agent。虽然 Juyputer N
阅读全文让 AI 学会“自我修炼”：自我改进智能体训练体系全解析
所谓 Agentic systems，无论用于工具使用还是推理，都是通过 prompts 来引导行动。但 prompts 是静态的，它们只给出步骤，却无法自我改进。真正的 agentic traini
阅读全文构建一套可自我改进的 Agentic RAG 系统
Agentic RAG 系统可以被视为一个“高维向量空间”，其中每个维度都对应一次设计决策，例如 prompt engineering、agent 协同、retrieval 策略等。手动调优这些维度以
阅读全文我对 Gemini 3 的真实体验
📌 简短结论：强得离谱，但并非全能首先，大家应该都看过各种基准测试了——所以我不再重复“谁更强”的争论。但根据我亲手测试的结果：Gemini 3 是目前我见过最接近“真实智能”的模型，尤其在硬核编程任
阅读全文全国首部AI大模型私有化部署标准，公开征集起草单位和个人！
随着人工智能大模型技术加速落地，私有化部署正成为企业兼顾数据安全与业务定制化的首选路径。然而，企业在部署过程中普遍面临技术选型混乱、资源错配、安全合规风险高等痛点，亟需一套科学、可操作的部署与评价体系
阅读全文大模型赋能知识图谱构建问答系统
基于模拟 FAQ 文档构建的 knowledge graph今天我带来一个基于 knowledge graph（用第一部分介绍的方法构建）和 LLM（这里用的是 Gemma3–4b-it-qat，与之
阅读全文LangChain1.0教程：给我们的RAG智能体加上记忆功能
我们之前在《LangChain1.0教程：使用RAG Agent和RAG Chain构建RAG智能体》文章中介绍的 RAG Agent 可以调用检索工具回答用户的问题，但是这个 Agent 仅仅能完成
阅读全文Google 让 RAG 变得前所未有地简单：全新 File Search 工具震撼登场
如果你曾尝试自己搭一套 RAG（Retrieval-Augmented Generation，检索增强生成），你大概懂那种痛：要管理 embeddings（向量嵌入）、vector databases
阅读全文Meta宣布彻底解决RAG最大痛点：速度提升30倍，上下文窗口暴增16倍，成本直接腰斩！
大家有没有这种感觉： 明明只想让大模型看10段资料，它偏偏要硬塞100段，消耗的token数像火箭一样增长，速度还慢得像乌龟？恭喜你，这个行业通病，Meta今天直接给治好了。他们刚开源了一个叫 REF
阅读全文RAG 真的能“不暴露私有数据”吗？答案是：可以
你是否认真考虑过 RAG 流水线中的文档隐私？这篇文章也许能提供一个有帮助的方向。为什么“Standard RAG → Cloud Search”在隐私上行不通Standard RAG 的做法是把明文
阅读全文谷歌70页硬核上下文工程白皮书免费送！
最近谷歌悄悄放了一个超级大招——70页全免费的《Context Engineering: Sessions & Memory》白皮书，直接把“让AI拥有真正记忆”这件事讲得透彻到骨子里。这不是普通的博
阅读全文让 AI 学会“自我修炼”：自我改进智能体训练体系全解析
所谓 Agentic systems，无论用于工具使用还是推理，都是通过 prompts 来引导行动。但 prompts 是静态的，它们只给出步骤，却无法自我改进。真正的 agentic traini
阅读全文OpenMemory：让 AI 拥有长期记忆的开源“人工大脑”
大多数 AI “助手”一旦你关掉聊天窗口就把一切忘得一干二净。它们记不住你的名字、你的偏好，甚至记不住你昨天才告诉它的一件小事。这就是我觉得 OpenMemory 有趣的原因。它是开源的、可在本地运行
阅读全文代码智能体的真正用法，可不是代码补全这么简单
写出更简洁、更聪明的 Python 函数！别再用错误的方式写 Python 函数！改用这些做法！避开常见错误，学习最佳实践，让你的 Python 函数更高效、更易读。Python 是一门很棒的语言——
阅读全文LangChain1.0教程：使用RAG Agent和RAG Chain构建RAG智能体
LLM 最强大的应用之一就是基于检索增强生成（Retrieval Augmented Generation，RAG）的问答（Q&A）聊天机器人。本教程将通过 RAG Agent 和 RAG Chain
阅读全文RAG 真的能“不暴露私有数据”吗？答案是：可以
你是否认真考虑过 RAG 流水线中的文档隐私？这篇文章也许能提供一个有帮助的方向。为什么“Standard RAG → Cloud Search”在隐私上行不通Standard RAG 的做法是把明文
阅读全文不会用AI的程序员，注定会被淘汰
“AI会不会取代程序员？”——这个萦绕在无数开发者心头的问题，早已不再是简单的“是”或“否”可以回答。随着人工智能技术的迅猛发展，真正的分水岭已经出现：不是AI是否会取代程序员，而是那些拒绝拥抱AI工
阅读全文