别让AICoding吞噬你的核心能力：从热情浮躁中清醒

最近很多朋友跟我说，你们程序员要被替代了，AI Coding已经那么强了，我1-2天就写了一个网站了，看看多强大。现在很多的营销号也在宣传“编程将被彻底终结”、“程序员岗位即将消失”..

Agent Skills是什么？给你讲的透透的

LangChain V1.0 Streaming 详细指南

LangChain Streaming 详细指南基于官方文档 https://docs.langchain.com/oss/python/langchain/streaming 的完整中文总结概述La

零基础入门-LangChain V1.0多智能体系统

from langchain_core.tools import tool@tooldef create_calendar_event( title: str, start_time: s

如何让大模型有短期和长期记忆能力？LangGraph指南

引言在人工智能领域，将大型语言模型（LLM）从简单的无状态问答机器转变为能够进行连贯、有上下文感知对话的复杂智能体，其核心关键在于内存。LLM 本身是无状态的，每次调用都是一次独立的计算，它们不会天生

RAG 系统文本切分Chunk有哪些方法？

一、固定大小切分（Fixed-size chunking）二、语义切分（Semantic chunking）三、基于文档结构的切片 （Document structure-based chunking

腾讯推出的桌面自动化、Agent调用

一文读懂MANUS工作原理：从“会聊天”到“能干活”的AI进化

MANUS到底是什么？在聊工作原理之前，我们先明确一个核心认知：MANUS不是普通的聊天AI（比如ChatGPT），而是一个能“自己动手干活”的通用AI助手——你只需要下达任务目标，它就能自主规划步骤

零基础入门-LangChain V1.0多智能体系统

from langchain_core.tools import tool@tooldef create_calendar_event( title: str, start_time: s

从检索到洞察：万字长文解构DeepSearch、DeepResearch、Agentic RAG与Graph RAG的革命之路

摘要 在大型语言模型（LLM）的浪潮中，检索增强生成（Retrieval-Augmented Generation, RAG）技术如同一座桥梁，连接了LLM强大的推理能力与海量的外部知识。然而，

从检索到洞察：万字长文解构DeepSearch、DeepResearch、Agentic RAG与Graph RAG的革命之路

摘要 在大型语言模型（LLM）的浪潮中，检索增强生成（Retrieval-Augmented Generation, RAG）技术如同一座桥梁，连接了LLM强大的推理能力与海量的外部知识。然而，

A2A 与 MCP ：引起的变革

在AI技术快速发展的今天，两个关键协议正在重塑我们构建智能系统的方式：Google的Agent-to-Agent协议(A2A)和Model Context Protocol(MCP)。这两个协议代表了

AI Coding提效这事，说说几句

对于 AI编码提升效率这事，越是开发经验丰富的人越是保守，倒不是说这些人是老顽固不接受新技术，只要开发软件的模式没有变，还是现在的要做架构设计、写代码、测试、上线部署的模式，那么目前 A1编码提升效率

OpenSpec 新手入门教程

目录什么是OpenSpec？为什么需要OpenSpec？准备工作快速开始核心概念完整工作流程实际示例支持的AI工具常用命令团队采用指南常见问题什么是OpenSpec？OpenSpec 是一个为AI编码

如何让大模型有短期和长期记忆能力？LangGraph指南

引言在人工智能领域，将大型语言模型（LLM）从简单的无状态问答机器转变为能够进行连贯、有上下文感知对话的复杂智能体，其核心关键在于内存。LLM 本身是无状态的，每次调用都是一次独立的计算，它们不会天生

RAG 系统文本切分Chunk有哪些方法？

一、固定大小切分（Fixed-size chunking）二、语义切分（Semantic chunking）三、基于文档结构的切片 （Document structure-based chunking

企业RAG应用中，“问答对”在知识检索中的作用

老顾导读1、前言2、结构化 vs 非结构化3、存储逻辑的差异4、检索逻辑的差异5、案例对比6、基于全文检索的question7、案例8、优缺点与适用场景9、优化建议10、总结一、前言在 RAG（检索增

如何让大模型有短期和长期记忆能力？LangGraph指南

引言在人工智能领域，将大型语言模型（LLM）从简单的无状态问答机器转变为能够进行连贯、有上下文感知对话的复杂智能体，其核心关键在于内存。LLM 本身是无状态的，每次调用都是一次独立的计算，它们不会天生

面向LLM的超高速图数据库：FalkorDB，为LLM提供长期记忆、上下文理解和事实性知识，帮助LLM进行复杂推理

OpenSpec 新手入门教程

目录什么是OpenSpec？为什么需要OpenSpec？准备工作快速开始核心概念完整工作流程实际示例支持的AI工具常用命令团队采用指南常见问题什么是OpenSpec？OpenSpec 是一个为AI编码

如何让大模型有短期和长期记忆能力？LangGraph指南

引言在人工智能领域，将大型语言模型（LLM）从简单的无状态问答机器转变为能够进行连贯、有上下文感知对话的复杂智能体，其核心关键在于内存。LLM 本身是无状态的，每次调用都是一次独立的计算，它们不会天生

RAG 系统文本切分Chunk有哪些方法？

一、固定大小切分（Fixed-size chunking）二、语义切分（Semantic chunking）三、基于文档结构的切片 （Document structure-based chunking

企业RAG应用中，“问答对”在知识检索中的作用

老顾导读1、前言2、结构化 vs 非结构化3、存储逻辑的差异4、检索逻辑的差异5、案例对比6、基于全文检索的question7、案例8、优缺点与适用场景9、优化建议10、总结一、前言在 RAG（检索增

如何让大模型有短期和长期记忆能力？LangGraph指南

引言在人工智能领域，将大型语言模型（LLM）从简单的无状态问答机器转变为能够进行连贯、有上下文感知对话的复杂智能体，其核心关键在于内存。LLM 本身是无状态的，每次调用都是一次独立的计算，它们不会天生

RAG 系统文本切分Chunk有哪些方法？

一、固定大小切分（Fixed-size chunking）二、语义切分（Semantic chunking）三、基于文档结构的切片 （Document structure-based chunking

企业RAG应用中，“问答对”在知识检索中的作用

老顾导读1、前言2、结构化 vs 非结构化3、存储逻辑的差异4、检索逻辑的差异5、案例对比6、基于全文检索的question7、案例8、优缺点与适用场景9、优化建议10、总结一、前言在 RAG（检索增

一键生成PPT的开源工具：Presentation-AI

一句话生成Excalidraw手绘风的专业图表工具：Smart Excalidraw

强，DeepSeek刚刚放出了一个3B OCR模型：DeepSeek-OCR，单张A100-40G每天可以处理20万+页文档

一款端侧TTS：NeuTTS-Air，3秒语音克隆，声音听起来没有生硬感，语气和节奏感相对自然