登录社区云,与社区用户共同成长
邀请您加入社区
在一次晚八点的 LexAgent 项目需求评审会上,学员小鹿带来了一份方案。她认领的是 M-04:MCP 审计持久化。她在会上提出的问题,可以概括为:Python MCP 最清楚每次工具和 Skill 调用了什么。如果让 Python 产生审计事件,再调用 Go 的内部接口写入 MySQL,这条链路是否合理?重试、异常和上下文信息应该怎么处理?这是一个好问题。而且我能看出来,她不是等着我直接给答案
在给大语言模型集成 Function Calling 工具时,由于模型具备触发数据库读写、内部 API 调用及代码执行的能力,若缺乏严格的工程隔离与权限控制,会带来显著的安全风险。Prompt 注入(Prompt Injection)攻击常常利用非可信输入尝试诱导模型调用高危工具。若后端系统直接信任并执行模型返回的 Tool Call 决策而缺乏确定性的权限隔离与参数校验,容易引发越权访问与恶意指
上个月公司有个内部工具平台要接入MCP协议,我本来想用Python快速搞定的,结果压测的时候发现Python Server在并发场景下扛不住。QA同学一上来就开了50个并发请求,CPU直接飙到90%,响应延迟从50ms飙升到800ms。我咬咬牙花了一个周末用Go重写了整个Server,同样的压测CPU只用了15%,延迟稳定在20ms以内。这次经历让我彻底理解了为什么官方会推出Go SDK。
通过本教程,你已完成了:✅ 从零创建 Python 虚拟环境✅ 构建 FastAPI 项目骨架✅ 编写数据模型、路由、Agent、LLM 客户端✅ 运行模拟审核系统✅ 接入真实大模型(智谱免费 API)✅ 了解了未来接入 Eino 的方向现在你拥有一个可扩展的、智能的订单审核系统。后续可在此基础上增加更多 Agent(幂等性、事务一致性)、引入 RAG 检索历史案例、集成 MCP 工具标准化等,使
大模型成本管理的核心:先量化每次调用的 Token 消耗和成本、再按优化收益排序(缓存 > 裁剪 > 路由 > 换模型)、最后建立预算和告警机制。每投入一小时做成本优化,应该产出可量化的节省金额。如果优化带来的节省还不够你的时薪,那就不值得做——这本身就是 ROI 思维的成本优化。
DID + 可验证凭证将 AI 调用的身份粒度细化到操作级别。每次 Agent 行为都绑定签发者的 DID 签名,凭证包含权限范围、有效期和调用限制。验证通过后可选择将调用记录上链存证,形成不可篡改的审计轨迹。落地建议:先在低频高价值场景试点(如生产环境部署审批、外部数据访问授权),验证流程跑通后再推广到高频场景。验证层用本地缓存 + 定期上链的模式平衡延迟和安全性。选择 did:web 起步,合
转型第一个月应聚焦 API 调用、Prompt 工程、Function Calling、可观测性。避免深入模型训练、框架源码、前沿论文。后端技能(并发、API 设计、数据库)可直接迁移。心态上需要从确定性编程转向概率性编程。一个月后,你能独立搭建一个带工具调用的 AI Agent 原型——这就够了,接下来的路是用项目继续深化。
A[AI 功能] --> B[用户行为变化]B --> C[效率提升]B --> D[收入提升]B --> E[成本降低]C --> F[ROI 评估]D --> FE --> F每个 AI 功能都应该对应明确价值路径。客服助手对应平均处理时长下降,代码助手对应交付周期缩短,数据分析助手对应取数等待减少。cost:value:成本和收益都要算。只算模型成本,会低估运营、审核和维护成本。还有一个容易
这意味着,v0.26.3 不仅对企业级数据接入更友好,也对实际生产部署、移动端使用、复杂文档解析、Agent 运行链路以及 Go 化演进带来了直接价值。从移动端导航、批量上传部分成功,到认证、XSS、构建、CI、原生库兼容、日志日期、缩略图、图片显示、测试稳定性,这些修复虽然碎,但非常关键。Agent 相关改动是 v0.26.3 的另一大重点,涵盖能力新增、上下文修复、兼容性处理、监控统计、工具调
AI Agent 架构落地,先做任务边界、风险分级、权限校验、预算控制和可观测性,再谈自主智能。Agent 能做事,系统就必须能解释、能停止、能兜底。
RAGFlow v0.26.2 是一个覆盖面非常广的版本,更新既包含面向终端接入的新增聊天渠道,也包含底层基础设施的大量修复与 Go 化推进。聊天入口继续扩展,新增 WhatsApp、钉钉、企业微信文档解析链路更完整,OCR、DOCX、Markdown、PDF、Excel 均有提升数据集能力更稳,面向大规模文档场景的分页与边界处理更加完善MCP 与 Dataflow 的关键稳定性问题得到修复Go
AI Agent 的错误处理必须覆盖三个层面:LLM 输出的格式校验与自动修复、工具调用的超时重试与熔断、执行循环的步数限制与死循环检测。每一层防御都有其代价——重试增加延迟、熔断导致降级、步数限制可能中断合法操作。防御性设计的目标不是消除所有错误,而是在错误发生时保证系统不崩溃、用户有反馈、问题可追溯。生产级 Agent 的可靠性不是靠 LLM 的能力保证的,而是靠工程化的错误处理框架保证的。
Function Calling 的生产级落地关键在于三层防御:结构校验拦截格式错误,语义校验拦截业务错误,重试机制处理临时故障。工具数量增多时需要引入分组路由策略,避免选择准确率下降。参数校验和重试逻辑虽然增加了开发成本,但这是 LLM 统计性输出特性所必需的工程补偿。落地建议:先从 3-5 个核心工具起步,验证调用链路稳定性后再逐步扩展工具集。
Function Calling 的错误处理需要覆盖模型输出、网络传输、工具执行三个层面,每层有不同的错误模式和重试策略。核心实践包括:第一,对错误进行分类,区分可重试和不可重试错误,避免无意义的重试浪费 Token;第二,将工具执行错误回传 LLM,让模型自主决策下一步行动;第三,使用指数退避控制重试节奏,防止雪崩。工程落地时,需要重点权衡重试轮次与 Token 成本,建议将最大重试轮次控制在
本文对比了多个AI模型在生成Go项目代码时的表现,包括GPT-5.3、Gemini-3、MiniMax、GLM-4.6、Kimi和Qwen3。测试要求生成一个符合Go工程规范的user增删改查项目,使用wire管理依赖。结果显示:MiniMax和Kimi存在文件命名不规范问题;Qwen3的目录结构不合理;GLM在代码注释和接口抽象方面表现最佳;Gemini的目录结构最规范但费用较高。作者建议在实际
如果说程序员已经是高薪职业,那么干AI的程序员,就是高薪中的高薪。学AI大模型,就是冲刺高薪的最优解!零基础小白不知道从哪入门?有基础的程序员找不到系统学习路径?实战项目练手无门?面试不知道考什么?别慌!今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包,覆盖从入门到实战、从理论到面试、从基础到进阶的全流程,所有资料均已整理归档,无冗余、无套路,免费分享给每一位想抓住AI风口的程序
有很多不同的AI领域的模型厂商、云服务平台、聚合平台和本地工具,下面是一些对比数据。这些模型调用方式可能不一样,一般有自己的调用sdk,但现在大部分模型都会兼容openAI的规范名称类型归属/说明特点OpenAI厂商美国 OpenAI 公司行业标杆,开发了 GPT-3.5/4/o 系列。API 格式是事实上的行业标准。Claude厂商美国 Anthropic 公司OpenAI 的主要竞争对手,擅长
此前在 MCP 官网就注意到官方提供了 Go SDK,近期由于在 Python 环境下开发 MCP Server 有点"审美疲劳",因此决定使用 Go 语言尝尝鲜。从个人实际体验来看,Go 语言在并发处理方面确实具有显著优势:无需纠结于同步阻塞、异步事件循环、多进程多线程通信等复杂的并发问题,goroutine 一把梭哈。同时,Go 语言的部署也非常便捷,编译后生成的静态二进制文件具有良好的可移植
go-zerov1.10.0是一次兼顾性能与稳定性的版本更新——从底层语言支持到SDK迁移,从熔断逻辑优化到服务发现稳定性提升,都体现了框架在微服务生态中不断进化的实力。获得更强的Go兼容性更简洁的MCP API更稳定的服务运行体验如何快速升级到Go 1.23并兼容go-zero新版本MCP SDK的迁移实践与API简化优势go-zero在高并发场景下的熔断机制优化分析代码地址:github.co
相比于修改关键字,Go团队更愿意变动内建函数(回忆一下min、max、clear和make)。因为内建函数的实现和变动相对简单,且Go语言规范保证了添加新的内建函数不会影响已有程序,可实现无痛更新。Go1.26即将支持使用new(expr)来分配一个初始值为expr的变量并返回其地址。Go1.26中new的新用法。
本文以新手视角解析Go语言编译和Docker多阶段构建的核心原理。通过MCP服务打包实例,重点解答三个常见困惑:1)为什么编译需要源码、编译器和依赖包;2)Docker多阶段构建的必要性;3)编译后的可执行文件如何独立运行。文章用"蛋糕制作"类比编译过程,强调静态编译生成的自包含二进制文件特性,并解释多阶段构建通过分离编译环境和运行环境实现镜像瘦身和安全优化。最后指出新手常见误
CLI Printing Press 项目 README 开篇就把这个痛点说得很直白:"在 AI Agent 的世界里,没有什么比时间和金钱更宝贵——落到工程层面,就是速度和 token 消耗。Printing Press 的解法:启动一个浏览器,你正常点击浏览,它在后台抓取所有 HTTP 流量,逆向工程出 API 结构,自动生成 OpenAPI spec,然后继续走后面的生成流程。Printin
阅读原文:本周Go生态亮点:深入编译器内部机制的硬核探索、GitHub用eBPF提升部署安全、TinyGo将支持Go 1.26、GitHub官方MCP Server 1.0发布,以及多个实用工具更新。
主要通过TDD实现,给定规则生成代码的同时生成代码测试,利用编译器上下文优化生成代码;同时在配置信息任务场景中,让ai根据已给出的测试数据编写代码,提高了ai code的稳定性。在可观测方案选择任务中,使用zread的mcp,能够利用zread强大的检索能力,快速专业了解开源项目;通过DAG作为引擎,Kahn拓扑排序编排任务执行流程,线程池并行任务;验收指标:QPS达到10k,直播间在线人数达到1
/ JSON-RPC 请求 - 协议层不关心业务JSONRPC string `json:"jsonrpc"` // 协议版本,固定 "2.0"ID interface{} `json:"id,omitempty"` // 请求ID,用于匹配响应Method string `json:"method"` // 方法名,如 "tools/call"Params interface{} `json:"
Go的插件系统基于Go编译器和链接器的插件支持。在类Unix系统上,插件被编译为共享对象文件(.so),在Windows上为动态链接库(.dllGo插件与Python的import语句或Java的类加载器有本质区别——Go插件在编译时就需要确定接口类型。Go语言的plugin包为动态加载提供了基础能力,使得构建插件化架构成为可能。plugin包基础:插件的创建、加载和符号查找机制符号查找:Look
本文是企业级AI Agent实现拆解系列的第十篇,聚焦记忆系统如何让AI Agent更智能。文章从实际场景需求出发,解释了记忆系统的作用:避免用户重复输入相同信息,提升企业场景下的交互效率。 核心内容包括: 采用层级化的命名空间组织记忆,分为用户全局、项目级、Agent共享和会话临时四层 定义四种记忆类型(事实、偏好、技能和摘要)及其适用场景 设计衰减机制自动淘汰低价值记忆,基于置信度、命中次数和
MCP(Model Context Protocol)可以理解为:AI时代的HTTP协议ChatGPT↓定制API↓业务系统每接一个系统都要重新开发。ChatGPTClaudeGeminiCursor↓MCP↓企业工具统一协议即可接入所有Agent。LLMAgentMCPRAGWorkflowMCP协议标准化Agent编排能力企业工具集成能力AI安全治理体系下一代企业软件正在向 Agent Nat
最近在学习Eino这类 AI 应用开发框架, 刚开始只是跑一些简单 demo,比如调用大模型、流式输出、使用Prompt模板。往后学习自然接触到Embedding、Indexer、Retriever、Transform这些概念。这些组件单独看都不复杂,但如果把它们串起来,其实就是一个最小RAG应用的核心流程。这篇文章不是从理论角度完整介绍RAG,而是基于我学习Eino的几个小demo,回顾一下自己
工作中用到了mcp服务,本文主要讲解go语言的go-mcp包的使用,是针对于服务端的,开始之前需要简单介绍下什么是mcp,mcp是用来干啥的。
Browserwing是一款无需代码的可视化浏览器自动化工具,支持录制网页操作并生成可回放脚本。其核心功能包括:1)可视化录制点击、滚动等操作;2)AI辅助提取结构化数据为JSON;3)支持脚本变量化和回放;4)提供HTTP API和MCP接口供外部调用;5)内置脚本广场共享各类平台操作脚本。该项目开源地址为https://github.com/browserwing/browserwing,旨在
如何让AI学会结合票务信息制定旅行攻略?Eino框架快速接入mcp带你一键搞定
go-zero v1.10.2正式发布,本次版本迭代包含全新MCP组件功能落地、两处核心discov服务发现模块关键性BUG修复、全项目依赖包批量版本升级、goctl工具链配套版本调整、zrpc resolver解析规则重构五大核心变更,全项目累计16次代码提交、23个文件被修改,涉及新增代码1054行、删减代码210行,改动范围覆盖MCP全链路代码、服务注册发现底层逻辑、项目根目录及goctl子