AI
刷新
国内AI办公智能体大战三巨头的桌面战争与飞书

博主头像 国内AI办公智能体大战三巨头的桌面战争与飞书一、一个数字背后的行业拐点2026年7月，易观发了一份让整个科技圈安静了几秒的报告。《2026年Q2中国办公智能体平台市场洞察报告》显示：17款主流桌面端AI原生办公智能体平台，6月合计访问量突破6000万次。三个月前，这个数字还只有2000万。三个月，翻 ...

LangChain 学习笔记 09：从对话表单到 BabyAGI，看状态怎样驱动下一步

博主头像 第 9 章后半放了两个看起来很不一样的案例：对话式表单负责把信息一点点收齐，BabyAGI 则围绕目标不断创建和执行任务。 一个很克制，一个很开放。但把它们放在一起看，会发现两者都在处理同一个核心问题：当前状态是什么，下一步应该怎样由状态产生？ 对话式表单的目标不是“聊得自然” 假设系统要帮用户预约 ...

15天学会AI应用开发（十八）使用LangGraph实现精确记忆功能

博主头像 ​上一篇文章介绍了如何使用LangGraph实现会话记忆功能，可是历史会话又多又杂，难以全部记忆，开发者更希望AI应用记住关键信息，比如用户喜欢什么、爱好什么等等。 对于AI应用的精确记忆需求，LangChain支持在调用create_agent时输入store参数，以指定数据存储方式，接下来介绍如 ...

LangChain 学习笔记 07：没有运行轨迹，LLM 应用只能靠猜来排错

博主头像 传统接口报错时，我们至少能看到状态码和堆栈。LLM 应用更麻烦：它可能没有抛出异常，只是悄悄给出一个不完整、跑题或缺少证据的答案。 第 8 章介绍回调处理器。篇幅不算长，却提醒了我一件很重要的事：模型调用、检索和工具执行如果没有留下轨迹，系统上线以后几乎只能靠猜。 一次回答里到底发生了什么 一个 R ...

LangChain 学习笔记 06：Agent 会做选择，但不该拥有无限权限

博主头像 让模型回答问题和让模型“去做一件事”，是两种完全不同的风险级别。前者答错了，通常还能被用户发现；后者如果调用了错误工具，可能真的发出邮件、修改数据，甚至产生费用。 第 7 章介绍 Agent、Tool、Toolkit 和 ReAct。它最吸引人的地方是模型可以自己选择下一步，但我读完后最想记住的反而 ...

基于端侧大模型的嵌入式 Skill 调度引擎实现智能业务生成的尝试

博主头像 前言 近期在研究大模型（LLM） 与Skill（技能） 的结合应用，颇有感触。人类拥有绘画、编程等技能，依靠眼和手来完成；类比到嵌入式设备中，图像采集、数据传输同样是技能，只不过它们依靠板载硬件来完成。 通常，一块开发板的硬件资源是固定的，但上层应用是多变的。同一块板子，既可以在项目 A 中使用，也 ...

LangChain 学习笔记 05：聊天记录很多，不等于模型真的有记忆

博主头像 用户说“还是按上次那个地址寄”，系统怎样知道“上次那个地址”指什么？这是聊天应用开始变得像助手的时刻，也是状态管理真正变麻烦的时刻。 第 6 章集中讨论 Memory。读这一章前，我容易把记忆理解成“把历史对话都塞回 Prompt”；读完以后，最大的变化是开始区分原始记录、当前上下文和长期事实。 版 ...

打造工业版 WorkBuddy，基于 iNeuOS 工业互联网框架体系

博主头像 工业领域正经历从“自动化”、“信息化”到“智能化”的深层转型。传统工业软件往往是“人适应系统”，操作人员需要记住功能路径、系统的操作方式，在数据看板、报表系统、文档库等之间切换。智能化应该是“系统适应人”，用自然语言一句话就能完成数据查询、状态诊断和决策建议，对于产品或是系统设计更趋向于“简单化”。 ...

LangChain 学习笔记 03：RAG 的效果，从文档进入系统时就开始决定

博主头像 做 RAG 时，最容易被关注的是最后那次模型回答。但真正动手以后，我发现很多“模型答不好”的问题，往前追几步就会变成：文档没读全、切块切断了、元数据丢了，或者正确证据根本没有被召回。 第 4 章把加载器、文档转换、Embedding、向量存储和 Retriever 放在“数据增强模块”中。与其把它们 ...

PCB检测算法YOLO-EMAC(1)

博主头像 YOLO-EMAC(YOLO-efficient-multiscale-adaptive-channel)是一种针对PCB检测中目标过小的特点提出的一种算法,基础是YOLOv12. 在卷积神经网络中,存在两个问题：(1)下采样带来的浅层特征损失,特征图越来越小,小目标卷积几次以后特征就没有了;(2) ...

LangChain 学习笔记 02：把模型 I/O 做成可靠的输入输出契约

博主头像 如果模型只负责写一段文案，返回自由文本通常够用；如果下一步要创建工单、查询数据库或调用支付接口，“大概是这个意思”就远远不够了。 第 3 章把模型包装器、提示词模板和输出解析器放进同一个“模型 I/O”模块。这个划分让我意识到，模型调用也应该像普通接口一样有契约：输入有哪些字段，输出是什么结构，失败 ...

LangChain 学习笔记 01：从一次聊天调用看懂组件与组合

博主头像 第一次写聊天程序时，代码很容易给人一种“已经完成了”的错觉：传入一句话，模型返回一段话，终端里也确实打印出了答案。 但只要继续加两个需求，比如“回答必须保持固定格式”和“把每次调用记录下来”，原来那几行代码就会迅速膨胀。第 2 章从第一个聊天机器人讲起，我觉得它真正想建立的不是某个 API 的记忆， ...

用方差阈值过滤掉“惰性特征”

博主头像 在机器学习实战中，我们常常把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？ 刚开始学机器学习那会儿，我特别喜欢堆特征，不管有用没用先一股脑全塞进去，总觉得特征越多模型越聪明。 直到有一次跑练习数据集，X_train.shape 直接干到了 (50000, ...

LangChain 学习笔记 00：先搭一张 LLM 应用开发地图

博主头像 刚接触 LangChain 时，我有过一个很直接的疑问：调用大模型不就是发一次 HTTP 请求吗，为什么还需要专门学一个框架？ 把 Demo 写到几十行以后，答案就慢慢出现了。提示词要维护，聊天记录要裁剪，模型输出要校验，私有文档要检索，工具调用要鉴权，线上问题还得能追踪。麻烦的从来不是“把请求发出 ...

<1···222324···50>