登录社区云,与社区用户共同成长
邀请您加入社区
今天常见的 RAG、Tool、Agent、MCP 等名词,大多是在补齐这些能力。它们并不是突然出现的一套新技术,而是围绕大模型逐步增加的不同组成部分。
本文详细介绍了大模型Agent的四大核心考点,包括基础认知(Agent与LLM/Workflow的区别、四模块架构)、工作模式(ReAct、Plan-and-Execute、Reflection、Multi-Agent)、工具与协议(Function Call、MCP、A2A、Skills)以及工程落地(记忆系统设计、安全与可靠性、成本优化、生产踩坑实录)。掌握这些内容,面试时能更有信心地从“是什
本文阐述了AI工程范式的转移,从关注模型本身转向系统设计。介绍了九个关键AI工程概念,分为三层:Agent行动与思考(循环工程、图工程、规范驱动开发)、信息接收与记忆(上下文工程、记忆工程、MCP协议)、可靠与安全(评估驱动开发、Agent意识、Agent身份与安全)。文章强调系统设计能力将成为稀缺优势,并给出三个行动建议:转向系统设计思维、将评估视为基础设施、将安全作为设计原则。
如果你现在也已经30多岁,甚至和我一样35岁左右,我真心建议你别因为AI的变化太快,就开始否定自己过去积累的一切。你过去做过的项目、解决过的问题、踩过的坑、理解过的业务,这些东西不会因为AI出现就全部失效。真正需要改变的,是在原来的能力上增加一层AI能力。我也把自己这一年转Agent过程中持续整理的资料更新了一套,里面包括:✅ 35岁程序员转Agent学习路线✅ LLM + RAG + Tool
很多人准备秋招的时候有一个习惯:“等我把Agent全部学完再投。然后一学就是两三个月。等真正开始投的时候,秋招已经过去一大半。其实完全没必要。后端基础达到能面试的程度以后,就可以开始投。Agent项目做到第一个完整版本,也可以开始投AI应用相关岗位。然后根据面试反馈继续补。面试官问你RAG怎么优化,你回去研究RAG。问你Agent状态怎么管理,你再补LangGraph。问你MCP,你再把协议研究透
Agent技术全景解析:从概念到汽车售后场景应用 本文通过汽车售后服务体系类比,系统拆解Agent技术的核心架构与运作原理。Agent由六大层级构成:LLM(大脑)、Memory(记忆)、Skill(执行能力)、MCP(连接协议)、RAG(知识检索)和Prompt Engineering(指令系统),形成了一个完整的智能决策体系。文章以"奥迪Q5刹车异响"的售后场景为例,详细演示了各组件协同工作的
阿里巴巴开源270亿参数大模型Qwen3.8-27B,支持262K上下文长度,性能超越前代及Claude Opus 4.6 Max。该模型采用Apache 2.0协议,可在消费级显卡运行,提供多种量化版本适配不同硬件。本文详细记录使用llama.cpp在本地部署Qwen3.8-27B的过程,包括环境配置、模型下载及交互测试,展示其在编程办公场景的优异表现。大模型时代催生"技术+业务"复合型人才需求
本文探讨了从基础聊天模型到Agent系统的演进,重点在于系统架构革新而非单一模型升级。Agent通过循环执行状态读取、工具选择、动作执行和决策优化,实现复杂任务处理。文章详细拆解了Agent的六大核心组件(模型、工具、状态、循环、安全、观测),对比了Workflow与Agent的控制权差异,并分析了四种工作模式(ReAct、Plan-and-Execute、Reflection、Multi-Age
本文用三层架构(基础层、能力层、执行层)系统梳理AI核心技术概念,帮助读者快速构建认知框架: 基础层:LLM(文字续写)、Token(AI字元)、Prompt(指令设计)、Context(临时记忆)构成AI理解语言的基础; 能力层:通过RAG(私有知识库)、Function Calling(工具调用)、MCP(统一接口)扩展AI执行能力; 执行层:Agent(自主任务规划)、Skill(可复用技能
文章摘要: AI编程工具的核心差异在于记忆机制:传统插件(如Cursor、Codex)依赖单次会话的上下文窗口,记忆容量有限且跨会话易丢失;而麦芽AI通过平台资源沉淀(文档、代码、测试用例等)实现长期记忆,支持跨需求、跨角色的知识复用。前者受限于token数量,导致历史决策丢失、协作效率低;后者通过“检索引用”模式突破物理限制,降低返工和沟通成本。 适用场景对比: 插件:适合个人或短期任务。 平台
摘要: 学习Agent开发应分阶段进行,核心路径为:先掌握模型API调用和结构化输出,再实现工具调用闭环,随后根据需求选择学习LangGraph(流程控制)、RAG(知识增强)或MCP(工具连接)。重点在于: 基础阶段:用熟悉语言(如Python/Go)构建最小Agent(如订单查询+工单创建),确保工具调用、异常处理和防重复执行的闭环。 进阶选择: 流程复杂时学LangGraph:处理多步骤、状
本文系统梳理了AI Agent开发进阶路线,从工程基础(Python/后端语言)到大模型理解、Agent核心原理(Agent Loop)、Workflow设计、LangGraph应用、Tool Calling、MCP、RAG、Memory管理、多Agent协作、A2A、模型Gateway、私有化部署、生产级基础设施、Observability、Evaluation、Security等18个关键模块
本文深入探讨AI应用开发中绕不开的大模型调用基础,通过一个“AI需求分析助手”案例,详细解析Token、上下文、Temperature、消息类型等12个核心问题。强调理解模型调用机制比学习框架更重要,帮助程序员掌握大模型应用开发的关键,为后续学习Prompt、RAG、Agent等打下坚实基础。
随着AI Agent技术的发展,2026年的竞争已从单纯追求模型优化转向架构搭建。本文详细解析了Agent的6大标准模块(推理引擎、工具接口、记忆系统、编排引擎、可观测性、安全护栏)和2大关键协议(MCP与A2A),并探讨了治理层的重要性。了解这些基础,才能避免在框架选择上走弯路,为生产环境部署打下坚实基础。适合初学者和程序员学习掌握AI Agent开发的核心要点。
本文深入探讨了AI Agent的发展趋势与应用前景,强调Agent与ChatBot的本质区别,并指出MCP协议标准化、工具链成熟和企业采购意愿提升是Agent变现的关键条件。文章提出了Agent变现的三层境界及对应的赚钱方式,并详细拆解了五种可行的变现路径,包括企业定制Agent、Agent技能商店、培训/咨询、Agent代运营以及Agent+硬件。最后,文章给出了从零开始实现Agent变现的具体
摘要:随着AI技术的发展,"前端已死,全栈永生"的讨论再次引发关注。支付宝体验技术部AFX的解散与重组,反映了中台模式在AI时代的局限性。AI Agent正在改变用户交互方式,前端工程师需掌握大模型调用、服务端对接等全栈能力。Next.js等框架也开始支持Coding Agent,工程师需为AI准备项目上下文、规范验证流程。文章建议前端工程师分阶段转型:先熟练使用AI Coding工具,再补充后端
AI领域的新概念层出不穷,常让人混淆不清。本文以"整理会议待办事项并发送"为例,系统梳理了AI系统中的关键组件及其协作关系: 信息准备层: Prompt:任务指令 Context:模型当前可见的全部信息 RAG:实时检索增强资料 Memory:长期记忆存储 工具与执行层: Tool:具体功能调用接口 MCP(Model Context Protocol):统一连接协议 Skills:预制功能模块
本文深入浅出地解析了AI领域中的五个核心概念:LLM、RAG、MCP、Skill和Agent。文章首先阐述了它们各自的角色和解决的问题,并通过生动的比喻帮助读者理解。LLM被视为AI系统的“大脑”,负责思考;RAG则像是“知识补给”,提供信息来源;MCP是“工具接口”,连接外部工具;Skill是“能力模块”,封装具体任务;Agent则是“执行系统”,统筹全局。文章强调了这些概念之间的协同作用,指出
本文深入探讨了Agent工程的核心概念,如工具调用与MCP、技能系统、记忆系统、多智能体模式、工作流编排、钩子机制、可观测性、沙箱与权限、提示注入防御等,旨在帮助小白和程序员理解并实践大模型Agent。文章强调了Agent在真实环境中的运行、可扩展性和安全性,并介绍了如何通过这些概念构建一个完整的Agent系统。
摘要 AI技术栈经历了从纯LLM到RAG、Agent、MCP的演进过程。最初LLM作为预测引擎存在幻觉、知识滞后等问题;RAG通过检索增强生成,让AI能获取实时信息;Agent实现了从回答到行动的转变,但面临集成碎片化的挑战;最终MCP协议标准化了AI与外部系统的连接,但安全性仍是重要考量。每一代技术都是为解决上一代的局限性而生,推动AI从聊天框发展为能执行复杂任务的"软件员工"。
本文详细解析了AI系统中各个核心概念的功能与作用,包括LLM作为推理中枢、Token作为信息计量单位、Context作为临时工作台、Prompt作为指令语言、RAG作为知识库补充、MCP作为工具连接协议、Skill作为领域能力模块以及Agent作为执行系统。文章通过实例和流程图,帮助读者理解这些概念如何协同工作,构建出高效的AI应用系统。同时,还指出了常见误区,强调了系统组织的重要性。
本文深入浅出地梳理了AI Agent学习的核心脉络,从Token作为基础原材料的理解,到RAG解决知识检索、MCP实现工具调用、Skill实现能力模块化,再到Context、Harness、SDD、Loop等工程范式的演进。文章强调,掌握AI Agent的关键在于理解其分层递进的工程体系,并学会在有限Token预算内优化信息,最终形成对领域知识的精准判断和定义“完成”的能力,这是AI工程师的核心价
文章介绍了使用AI的三个层级,从简单的聊天框到使用Agent平台,再到使用中央调度系统。详细解释了Agent的概念和作用,将其比喻为中介,帮助大模型执行任务。深入剖析了Agent的Harness组成部分,包括多次请求提示词、上下文记忆系统和工具集合(Skill、CLI、MCP)。文章强调,用好AI的关键在于清晰地表达问题,并提供了一些实用的建议,如主动让AI反驳、交叉验证等。最后,文章展望了Cha
2026下半年AI原型设计工具的选型,核心是围绕成本、协作、安全、衔接、链路五个维度做量化评估,而非被单一功能亮点吸引。从10人团队年度预算测算看,GemDesign以¥4,188的年度总成本显著低于Figma(¥23,940)与Bolt.new(¥37,800),叠加企业版的多人协作、资料管理、离线保存与MCP代码导出能力,在项目经理视角下具备较高的选型优先级。ROI测算显示,即便保守估算,AI
企业AI助手面临的最大挑战不是技术能力,而是信息可信度。Atlan最新研究表明,成熟的AI助手需要建立完整的上下文治理体系,包括7类核心工具:元数据平台、知识图谱、数据血缘、业务词汇、评测框架、MCP服务器和上下文图。这些工具共同确保AI在回答时能正确理解业务定义、追溯数据来源、遵守权限控制并识别信息时效性。研究显示,采用治理型上下文的AI助手准确率可达94-99%,远超未治理场景。实施建议:先定
技能:Python + LangChain + RAG 是基本盘(70%),MCP/Dify/AutoGen 正在成为新标配经验:简历每行技能配一个落地证明(规模+效果+上线)。不然65.7%的岗位直接过滤你机会:1-5年经验最友好,北京/上海/深圳/杭州是主战场,安全行业意外地是第一大Agent应用领域假如你从2026年开始学大模型,按这个步骤走准能稳步进阶。接下来告诉你一条最快的邪修路线,3个
如果你问我:测试开发转AI最好的路线是什么。我会给你一句特别简单的话。不要从Agent开始。不要从大模型原理开始。不要从论文开始。Prompt↓LangChain↓RAG↓评测体系↓Agent↓LangGraph↓MCP↓工程化↓上线当你走完整条路线。你会发现。原来企业里的AI项目,远远没有网上说得那么玄学。本质上还是那套熟悉的软件工程。只是把“代码逻辑”变成了“模型能力”。而真正拉开差距的,从来
本文通过类比和直觉,用通俗语言解析了AI技术从底层到应用层的核心概念。从LLM(大语言模型)的“文字接龙”工作原理,到Token(最小语言单元)的编码机制,再到Context Window(上下文窗口)的记忆限制,以及Prompt/Harness(指令系统)的进化,最后到Tool/MCP(能力接口)和Agent/Skill(智能体)的自主任务执行。文章旨在帮助读者建立清晰的AI认知框架,快速理解各
文章探讨了产品经理在大模型时代的未来走向,强调了掌握 AI 产品完整生命周期能力的重要性。文章深入解析了大模型的本质、Prompt Engineering、Token 计费、RAG 检索增强生成、Fine-tuning 微调、Agent 智能体、Function Calling 函数调用等关键概念,并提供了实用的产品设计和优化建议。文章还涵盖了多轮对话与上下文管理、流式输出、MCP 模型上下文协议
我在一线科技企业深耕十二载,见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事,早已在效率与薪资上形成代际优势,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的
2026年秋招提前启动,大模型应用开发与算法岗成最卷方向。传统刷题背八股模式已失效,企业更看重解决实际业务问题的能力。文章指出大模型工程师需掌握提示词工程、RAG技术、模型微调与部署等核心技能,并强调复合型人才需兼具技术与行业知识。当前大模型应用工程师年薪可达50万+,2025-2026年将是AI Agent技术爆发期。文末提供104G大模型学习资源包和五阶段学习路线(提示词/RAG/微调/部署/
问答机只负责"生成内容",数字员工要负责"完成任务"。产品经理周明远(前大厂算法工程师,现AI创业者)对此有一个精辟的类比:“Copilot 是给你配了个副驾驶——帮你导航、帮你查信息,但方向盘在你手里。Agent 是把你送到了目的地——你说’去机场’,它自己查路况、选路线、避开拥堵,到了叫你。这个类比很好地解释了为什么Agent产品的设计逻辑和传统产品完全不同——当用户不再是"操作者"而是"委托
本文面向AI产品经理和希望转型AI方向的传统产品经理,系统讲解AI技术从实验室到商业化的全链路方法论。覆盖场景识别、产品设计、商业模式、MCP/Agent技术架构、行业落地、数据闭环、组织变革等核心环节。每章融合框架方法论、真实案例、产品决策工具和高频面试题精讲,做到读完能做、做完能评、评完能面。本书结构:第一部分:认知与战略(第1-2章)第1章 AI商业化全景:从技术驱动到场景驱动第2章 场景识
越来越多开发者和用户希望拥有一个属于自己的智能助手系统。 但现实往往是: 安装环境复杂、配置繁琐、本地部署困难、调试成本高、无相关经验。这些问题都将在openclaw desktop面前迎刃而解