登录社区云,与社区用户共同成长
邀请您加入社区
Starboard的负责人James Lowman面试时爱问一句:“讲讲你最近写的三个Claude Code skills。” 有个实习生答了俩字——理由是用不起付费工具。我刷到这事的时候愣了一下。不是因为心疼那个实习生,是我突然想明白——这两年我面过、看过、听过的AI相关面试题,没几个人真正搞懂面试官在问什么。
把 DeepSeek Harness、Codex、Claude、Kimi 等 Agent 加为联系人,像找同事一样给它发消息、拉群、@ 它、交代事情和跟进进度。在桌面端让 DeepSeek Harness 执行任务,在手机上继续对话,并把消息、文件、进度和授权确认保留在同一个上下文中。联系人、群聊、历史消息、任务上下文和权限关系都保存在 Grix 中,不会锁定在某个模型会话或单一供应商里。Grix
就是 ReAct 的"工作记忆"。它之所以成为 90% 生产级 Agent 的默认架构,就是因为这个"想→做→看"的循环足够通用——不管你的任务是查天气、做研究、写代码还是排查 bug,都可以用这个模式来处理。比如工具返回了一堆 HTML 或者报错的 stack trace,LLM 不知道该怎么理解这个结果,就决定"再试一次"——然后又得到一样的结果——然后又"再试一次"……:给 Agent 提供
这篇文章用一个教学版 Python Agent 项目为例,讲清楚一个真正可运行的 Agent 是如何实现的。它不是只把用户问题丢给大模型,而是由 Python Host 负责连接工具、维护会话、执行 MCP tool、加载 Skill 文档;由 LLM 负责理解目标并在每一轮决定下一步:是加载 Skill、调用工具,还是返回最终答案。
近期基于 Chrome MV3 规范开发一款直播间本地交互扩展 LiveBot V3.0,完整重构授权、AI 调用、页面交互三大模块,解决旧版云函数代理、签名校验、DOM 输入乱码等十余项底层 bug,本文完整记录开发思路、模块分工、踩坑修复方案,适合学习浏览器扩展、前端页面自动化、第三方 API 直连交互的开发者参考。本项目最大优势是零后端依赖,纯客户端完成卡密授权、大模型调用、页面自动化交互,
这四种 Agent 架构/模式并非互斥,而是解决不同复杂度、不同约束条件任务的“设计范式”。实际系统中常组合使用。本文将简单介绍这四种 Agent 架构/模式,并列举其在目前各流行框架下的实现。
不同于传统的单线程检查,React Doctor 会自动识别你的框架环境(Next.js、Vite 等),并并行运行两套分析逻辑:针对 React 最佳实践的 60 余条 Lint 规则,以及对冗余文件、重复类型定义的死代码检测。:虽然 Cursor、Claude 等工具提升了产出速度,但若缺乏专业规则约束,生成的代码往往会埋下性能隐患。:传统的 Code Review 极度依赖人工经验,而标准的
ReAct 框架为构建更强大的 AI 智能体提供了坚实的基础,它将 LLM 从一个被动的知识库提升为能主动与世界交互的执行者。理解其核心思想并认识其局限性,是我们迈向真正通用人工智能的关键一步。对于正在迷茫择业、想转行提升,或是刚入门的程序员、编程小白来说,有一个问题几乎人人都在问:未来10年,什么领域的职业发展潜力最大?答案只有一个:人工智能(尤其是大模型方向)
文章摘要 AI Agent系统设计包含三种核心模式:ReAct模式(单Agent推理循环)、Workflow模式(流程化编排)和Multi-Agent协作机制。ReAct通过"思考-行动-观察"循环实现动态推理,适合复杂任务;Workflow采用预定义流程确保执行确定性,适合固定任务;Multi-Agent通过分工协作处理多领域问题。技术实现涉及统一抽象、异步事件驱动、协作机制
本文深入浅出解析ReAct Agent的核心原理与工程价值,帮助开发者从“写流程”到“造智能体”实现关键跃迁。文章详细介绍了Function Calling、MCP和Skills的区别与竞合关系,阐述了它们在AI Agent工具调用中的核心作用与实现机制。通过Lynxe框架的实践案例,揭示了如何用文字定义指令、脚本和资源,以及如何解决工具集成与任务流程定义的难题。文章最后总结了三者定位,并提出了L
本文提出一种Android端原生运行企业级AIAgent的七层架构方案。针对移动端特有约束(内存有限、网络受限、随时中断等),设计了可中断守护引擎、语义感知上下文截断、意图路由+模块依赖注入等核心模块。通过JSON配置自动生成API技能,采用分层提示词和精准接口注入策略,相比全量注入方案降低85%成本,提升22%准确率。文章详细分析了7类常见实现陷阱及解决方案,并对比了不同技术路线的优劣。该纯Ko
AI/大模型集成LangChain、LlamaIndex、Prompt工程、RAG(检索增强生成)、流式数据渲染、大模型API对接负责AI驱动的Web应用,集成基于Langchain/Langgraph的AI Agent。架构与性能前端架构设计、高性能可扩展Web应用、SSE(Server-Sent Events)、内存管理、性能监控(Langfuse、Sentry)主导LLM等AI应用的大型项目
本文介绍了LangGraph框架在构建Agent系统中的优势与挑战,重点讲解了ReAct Agent的核心机制,并推荐了langgraph-up-react模板,帮助开发者快速上手,实现AI Agent的落地应用。通过详细的环境配置和模板使用场景示例,即使是小白也能轻松入门,构建自己的智能问答或多智能体协作系统。大模型落地,要么做workflow、要么做agent,而无论哪一种,全都离不开框架。而
本文摘要:智能体系统是一种结合模型、工具和策略的可执行系统,相比单次模型调用能更好地处理复杂任务。其分层架构包含接口层、编排层、策略中间件、模型层和工具层,通过标准化内容块和执行上下文实现统一管理。关键价值在于可控性(错误防护、审计)、稳定性(重试/降级机制)和可观测性(日志/Trace)。适用场景包括多步骤任务、结构化输出需求和高可靠性业务,而简单文本生成任务建议直接使用模型调用。最小实现需包含
本文介绍了Vue中h函数和动态组件component的使用方法。h函数用于创建虚拟DOM节点,可接收标签名或组件对象作为参数,并支持属性、事件和子节点配置。通过component的is属性可以动态渲染组件,文中演示了如何动态切换组件。最后以封装el-dialog为例,展示了完整的实现方案,包括模型绑定、事件处理、插槽配置和组件暴露等功能,实现了支持自定义按钮和回调的对话框封装。