登录社区云，与社区用户共同成长
邀请您加入社区
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
本文通过一个在线海报编辑器多端适配的案例，揭示了前端开发中组件逻辑与渲染平台耦合带来的问题。当需要将基于React+DOM的web应用迁移到微信小程序和Electron桌面端时，由于缺乏平台抽象层，导致代码重复、行为不一致和功能不对齐等问题。 文章深入剖析了React的架构设计，重点讲解了Reconciler（协调器）与Renderer（渲染器）的分离机制。Reconciler只负责计算组件更新，
如果信息不足，它会推理缺少什么信息，并选择合适的工具去执行，比如搜索、查数据库、调 API、查日志、查测试报告等。更常见的做法是展示关键依据和结论，同时在系统内部保留工具调用记录、参数、返回结果和必要的决策摘要，方便审计和排查。ReAct 会先判断信息是否足够，如果信息不足，会主动调用工具获取外部信息，并根据工具反馈继续推理。ReAct 通过工具调用，把模型的推理能力和外部系统连接起来。当模型发现
AI Agent是大模型调用工具的能力，能感知环境、决策并行动，具备自主性等五大特征。它由大语言模型、记忆、规划和工具使用组成，通过感知-思考-决策-行动-学习的闭环工作流程实现复杂任务。从简单反射到学习智能体，AI Agent在多领域广泛应用。文章提供了学习大模型AI的四阶段路径，帮助从业者掌握前沿技术，提升竞争力。
2025年，AI智能体（Agent）已成为企业智能化转型的核心引擎，人才缺口高达百万级。从WAIC 2025世界人工智能大会到各大厂重磅产品，AI Agent正从“被动应答”走向“主动执行”，开启“我说AI做”的新时代。
Claude Code创始人Boris Cherny分享13个高效使用技巧，包括并行运行多个Claude实例、使用Opus 4.5模型、团队共用CLAUDE.md记录解决方案、从"计划模式"开始工作流、使用斜杠命令和子智能体自动化任务、通过PostToolUse钩子格式化代码、建立反馈闭环验证成果等。这些技巧能显著提升AI辅助编程效率，适合程序员日常开发工作。
文章是一份由多所顶尖大学联合出品的AI Agents记忆综述，采用"形态-功能-动力学"三维框架分析了200多篇最新论文。提出三大新记忆形态（Token-level、Parametric、Latent）取代传统二分法，详细阐述了记忆的功能、动力学机制和生命周期，并展望了生成式记忆、自动记忆管理等7大前沿方向，为AI Agent记忆研究提供了系统性指导。
Coze的Agent主要面向大部分用户，是通过RAG、工具调用、workflow调用来扩展大模型的能力边界，来实现agent的效果。
提到AI应用工程师，很多人会误以为是“专搞模型训练的算法专家”，其实不然。简单来说，他们是将AI技术从“实验室”推向“实际场景”的核心角色，像一座桥梁，连接起前沿的AI模型与企业的真实需求。
本文从原理到实践系统地分享了如何高效使用AI编程工具。涵盖其底层机制（如Token计算、工具调用、Codebase索引与Merkle Tree）、提升对话质量的方法（如规则设置、渐进式开发）、实际应用场景（如代码检索、绘图生成、问题排查），并推荐了结合AI的编码最佳实践，包括文档、注释、命名规范和安全合规，旨在帮助不同经验水平的开发者真正把AI工具用好。
在人工智能技术驶入发展快车道的今天，AI 产品经理已然跃升为科技行业的 “香饽饽” 岗位。无论是手握计算机、软件工程专业文凭的应届毕业生，渴望在新兴领域开启职业生涯；还是在互联网公司深耕多年的技术开发人员，寻求从 “代码实现” 向 “产品规划” 的职业跨越；亦或是在传统行业摸爬滚打数载的资深产品经理，希望借 AI 浪潮实现职业升级 —— 越来越多从业者将目光锁定 AI 赛道，试图在这片蓝海市场抢占
做agent简单，但是做能落地的agent难，做能落地的长周期agent更是难上加难！这是不是你搞agent开发时的常态？长周期 Agent落地失效，通常来说，会分两类典型模式：第一种发生在任务初期：收到“搭建类 claude.ai 的 Web 应用”这类高阶指令后，采用贪心策略一次性推进全量开发，执行中逐步丢失上下文，最终在功能开发半途耗尽上下文窗口；后续新实例面对无进度文档的半成品代码库，需要
•横向维度：State管理、Workflow控制、Graph配置三大功能维度•纵向维度：基础层、应用层、高级层三个学习层次•框架映射：三大维度在ReAct的思考、行动、观察三个阶段中各有侧重，相互配合理解这个知识体系，有助于我们在构建Agent时更有章法，也让我们明白每个知识点在Agent工作流程中的实际作用。希望这篇总结能帮助大家更好地掌握LangGraph，也期待与大家一起继续探索Agent开
2025年AI风口已来，文章提供了完整的AI大模型应用开发学习路线，分为六大模块：大模型基础认知、核心技术(RAG/Prompt/Agent)、开发基础能力、应用场景开发、项目落地流程和面试求职冲刺。掌握正确学习顺序，可快速入门大模型开发，实现职业跃迁和薪资提升。
本文解析大模型微调与RAG技术的选择策略。微调适合需要专业准确度、定制化风格、处理特殊案例或降低成本的场景，但存在数据成本高、更新慢等缺点。RAG则适合数据量大变化快或需实时响应的场景。短期验证可选RAG，长期深度定制宜选微调，复杂场景可混合使用。技术选型应匹配业务需求、团队能力和预算，微调仍是AI工具箱中不可或缺的"瑞士军刀"。
前端框架
——前端框架
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AI Agent技术社区
