登录社区云，与社区用户共同成长
邀请您加入社区
LoRA通过低秩分解，只需要训练极少量的附加参数（通常是原模型参数的0.1%-1%），就能在特定任务上达到接近全量微调的效果。这意味着：- 在消费级GPU上（24GB VRAM）可以微调7B甚至13B参数模型- 微调时间从几天缩短到几小时- 多个任务的LoRA权重可以单独管理，随时切换- 部署时可以与基础模型合并，不增加推理开销本文将从工程实践角度，给出LoRA微调的完整指南，覆盖数据准备、训练配
但在生产系统中，你的下游代码需要的不是一段流畅的自然语言，而是可解析的、格式固定的结构化数据。：如果用本地模型，Outlines的约束解码比提示词方式可靠100倍结构化输出是LLM工程化的基础设施，掌握它，你的AI应用才能真正稳定地运行在生产环境中。—## 四、本地模型的结构化输出：Outlines当你使用Llama、Qwen、Mistral等本地模型时，无法依赖云端API的结构化输出能力。：越复
## 三、上下文管理：解决Vibe Coding最大痛点长时间的Vibe Coding会话中，最常见的问题是"AI开始忘事"——它不再记得项目的架构决策，开始生成与现有代码风格不一致的代码，甚至引入已经修复过的bug。——在享受AI编程加速的同时，建立可持续的代码质量保障体系。—## 一、Vibe Coding的工程化核心：Context Engineering如果说Vibe Coding的核心操
LoRA（Low-Rank Adaptation）在2026年已经是工程师工具箱中的标配技能。它让在消费级GPU上微调70B甚至更大的模型成为可能，让企业可以用远低于全量微调的成本打造专属模型。但从"能跑起来"到"生产可用"，中间还有很长的工程化路径。本文覆盖2026年LoRA工程实践的全链路。
Vibe Coding这个词在2025年开始流行，到2026年已经成为开发者日常工作的一部分。但"Vibe Coding"这个名字带来了一个严重的误解——很多人以为它就是随便用AI写写代码、玩玩原型的事。本文要讨论的是另一个问题：当你需要用AI辅助编程构建真正需要维护的生产系统时，工程化的实践方法是什么。
# 方法一：原生结构化输出（首选）OpenAI、Anthropic等主流模型现在都支持原生的结构化输出，通过在API层面约束输出格式，可靠性比提示词方法高得多。JSON格式对了，但字段值是模型"编的"——比如要求输出置信度（0-1之间的数字），模型输出了0.99999，看起来没问题，其实是没有根据的。LLM的输出天然是自由形式的文本，但AI应用需要的往往是结构化数据。字符串里包含未转义的特殊字符，
创建 .claude 目录 New-Item -ItemType Directory -Force "$env:USERPROFILE\.claude" # 用记事本打开配置文件 notepad "$env:USERPROFILE\.claude\settings.json"写一个Python计算器程序，支持加减乘除，可直接运行，带中文注释和使用说明。#在 PowerShell 中以管理员身份运行
## 实际效果根据团队实践经验，引入这套体系后：- 安全漏洞（SQL 注入、硬编码密钥）：几乎降为零- 缺少错误处理的问题：减少 80%- Code Review 时间：减少约 40%（AI 先做一轮过滤）- 生产 Bug 率：降低约 30%最重要的是，开发者的注意力从"找低级问题"转向"评估设计合理性"，Review 质量反而提高了。—## 总结让 AI 代码更可靠，不是单点技术问题，是工程体系
## 工程师选择建议### 选Cursor，如果你：- 主要工作是阅读代码、小范围修改、代码补全- 喜欢IDE集成体验，不想离开编辑器- 需要确定性的月度费用- 团队中有不同技术栈的工程师（Cursor支持更多语言）### 选Claude Code，如果你：- 需要完成复杂的自主任务：大型重构、多文件修改、调试- 经常在终端工作，不需要GUI- 愿意让AI更多地"自主行动"- 构建的是复杂的后端系
原始查询：{original_query}输出格式（JSON）：{{“queries”: [“改写查询1”, “改写查询2”, “改写查询3”]}}””"}])import jsonresult = json.loads(response.content[0].text)return result[“queries”]本文不做横评，专注于Claude 4的工程实践：从API接入到工具链设计，从上下
简洁明确的Prompt能减少模型"思考"token的消耗—## 总结Gemini 2.5 Pro的工程价值在于：把之前需要复杂RAG系统才能处理的长文档任务，简化成了直接输入。意味着你可以把整个代码仓库塞进去分析，可以把完整的法律合同包发给它审查，可以让它处理长达几小时的会议记录——而不需要复杂的分块和向量检索。### 原则三：长上下文的"丢失现象"处理研究发现，即使是支持百万token的模型，对
代码正确性。
人类有工作记忆、情节记忆、语义记忆和程序性记忆——这四类记忆协同工作，让我们能够在不同时间尺度上有效地学习和行动。AI Agent 的记忆系统设计，本质上是对人类认知系统的工程化模仿。本文从记忆类型分类到完整实现，带你构建一个真正「有记忆」的 AI Agent。 一、为什么记忆是 Agent 的核心能力？无记忆的 Agent 每次对话都从零开始，表现得像「金鱼」——永远只记得最近几秒。这导致：-
Agent可能在测试时表现良好，在生产中遇到边界输入时出现意外行为本文将系统讲解AI Agent的测试策略，从单元测试到端到端测试，从功能测试到安全测试。：持续采样评估，及时发现质量退化Agent测试没有银弹，但有了系统化的测试策略，可以把"不知道Agent什么时候会翻车"变成"在可接受的风险范围内稳定运行"。—## 五、端到端场景测试端到端测试是最有价值但也最昂贵的测试类型。—## 三、LLM组
考虑这样的场景：一个AI Agent被委托"分析我们公司Q1的销售数据，找出TOP10客户，生成详细报告，并制定下季度的客户维护策略"。这个任务需要：- 多个步骤的顺序执行- 在步骤之间传递数据- 在某步骤失败时恢复，不从头开始- 支持人工在某步骤介入审查- 任务可能跨越多个会话（今天开始，明天继续）## 用LangGraph实现有状态的Agent工作流LangGraph是目前最成熟的有状态Age
## 原则二：描述是工具的说明书，要写给LLM看工具的描述（docstring/description）是LLM决定是否调用这个工具的唯一依据。这种设计让Agent在简单场景用高层工具一步完成，在复杂场景（如高层工具失败）能灵活组合底层工具。—## 原则四：返回结构化、信息丰富的结果工具的返回值是LLM下一步推理的输入。给它配上工具，它能：查询数据库、调用API、读写文件、发送邮件、执行代码——本
一个没有状态管理的 Agent 是"随机游走"的 Agent。状态机（State Machine）是解决这些问题的经典方法：通过明确定义 Agent 的所有可能状态、状态间的转换条件和转换动作，让 Agent 的行为从"不可预测"变为"可理解、可调试、可控制"。LangGraph 在 2026 年已成为构建有状态 Agent 的主流框架，但其核心理念——图结构状态机——才是真正需要理解的工程思维。
将复杂任务分解给多个专业化Agent并行处理，由协调者Agent（Orchestrator）负责调度和结果整合。LangGraph、AutoGen、CrewAI的成熟，让多智能体系统的构建成本大幅降低。本文从架构设计角度，深度讲解如何构建生产级多智能体系统。：需要高准确性、多视角分析的场景（投资分析、风险评估）—## 二、使用LangGraph构建多智能体系统### 2.1 研究报告生成系统。：每
在2026年，随着MCP（Model Context Protocol）协议标准化、Tool Calling API的成熟，"工具编排工程"已成为AI应用开发中最关键的技能之一。本文从实战角度，系统讲解如何设计工具、编排工具调用链，并处理复杂的多工具协作场景。—## 一、工具设计原则：让AI能"理解"你的工具### 1.1 工具描述的黄金法则。—## 四、MCP协议：工具生态的未来### 4.1
## 技术选型：记忆存储后端| 存储类型 | 适合什么 | 推荐方案 ||---------|---------|---------|| 向量数据库 | 语义搜索、模糊回忆 | Qdrant, Weaviate, Chroma || 关系型数据库 | 结构化事实、用户偏好 | PostgreSQL, SQLite || 图数据库 | 实体关系网络 | Neo4j, Amazon Neptune |
真实世界的任务需要：多步骤规划、工具调用、条件分支、并行执行、状态持久化……：逻辑清晰、复杂度适中的工作流框架是工具，不是目的。真正重要的是：系统能稳定运行，出了问题能快速定位——这才是工程化的本质。## 四、何时用框架，何时裸写### 4.1 框架的真实成本框架带来的问题：-：LangGraph的图概念、LlamaIndex的事件系统各有学习曲线-：节点是处理步骤，边是条件路由，State是在节
## 上下文的四个层次理解上下文工程，首先要厘清上下文的构成。一个完整的LLM上下文由以下四个层次组成：### 1. 系统层（System Layer）这是最持久的上下文，定义Agent的身份、能力边界、行为准则和输出格式。优秀的系统层应该：- 明确角色定义（是什么，不是什么）- 声明约束条件（禁止做的事）- 规定输出格式（JSON schema、markdown结构等）- 提供少量高质量示例（f
就像USB-C让不同设备之间的物理连接标准化一样。
真正有用的AI Agent必须能"记住"。记住用户偏好、历史决策、工具使用经验——这就是Agent记忆系统的核心价值。本文从工程角度系统介绍如何构建一个生产级的Agent记忆架构。 一、为什么Agent记忆如此关键想象两个场景：场景A（无记忆）：用户告诉Agent"我喜欢用Python，代码风格参考PEP8"。下次对话，Agent完全不记得，又开始用Jav
工具调用是AI Agent最脆弱的环节。一个在Demo中完美运行的Agent，在生产环境中常因工具错误而崩溃。本文系统梳理工具调用的错误类型、重试策略与容错架构，帮你构建真正可靠的AI Agent。 一、工具调用错误的三大类型在构建AI Agent的过程中，工具调用错误几乎不可避免。这些错误大致可以分为三类：### 1.1 临时性错误（可重试）- 网络超时、连接断开- 第三方API限速（429
## 工具调用质量监控| 指标 | 描述 | 目标 ||------|------|------|| 工具调用成功率 | 调用成功次数/总次数 | > 95% || 参数错误率 | 参数验证失败的比例 | < 5% || 平均工具调用次数/任务 | 完成一个任务平均调用几次工具 | < 5次 || 工具调用超时率 | 超时次数/总次数 | < 1% || 不必要工具调用率 | 多余工具调用的比例
## 记忆的四个层次Agent的记忆体系可以分为四个层次，每一层的存储介质、访问速度、生命周期都不同：### 1. 上下文窗口记忆（In-Context Memory）这是最直接的记忆形式——把对话历史直接塞进提示词里。### 3. 语义检索记忆（Semantic/Vector Memory）对于长期积累的知识，需要用向量数据库实现语义检索——不是"最近的记忆"，而是"最相关的记忆"。：只存储真正
核心工具python# 入门阶段必须熟练掌握的技术栈tools = { "LLM API": ["OpenAI", "Anthropic", "通义千问"], "框架": ["LangChain（基础使用）"], "向量数据库": ["Chroma（本地开发用）", "Pinecone（生产用）"], "Web框架": ["FastAPI"], "环境管理": ["conda", "venv",
你负责架构和意图### Code Review中的AI审查。
本教程系统介绍了VIC水文模型输入数据的完整制备流程。主要内容包括：1）VIC模型核心输入文件概述；2）使用Python统一处理各类空间数据，包括网格生成、地形数据提取、气候态降水计算；3）基于HWSD土壤数据和MODIS植被数据分别制备土壤参数和植被参数；4）利用MERRA-2数据生成强迫文件；5）全局文件配置及模型安装运行说明。教程提供了详细的代码实现和数据处理方法，适用于0.1°×0.1°空
## 反模式3：直接粘贴AI代码到生产永远先在本地跑一遍，跑测试，审查一遍，再merge。—## Vibe Coding的反模式### 反模式1：无限接受AI的建议AI永远会给你一个"看起来能跑的"答案。—## 工作流的三个阶段### 阶段一：意图结晶（Crystallization）在动手写任何代码之前，先把需求说清楚——不是给人听，是给AI听。—## Vibe Coding不是"偷懒"，是换一
摘要 本报告分析了QuoteApp智能报价系统的设计与实现情况。该系统面向中小机加工企业，通过AI自动解析图纸特征并计算加工成本，将传统2-3天的报价周期缩短至30分钟。核心功能包括：支持7种图纸格式解析、3D预览引擎、13步成本核算公式链、本地Gemma+云端AI双推理引擎等。系统包含129个Python文件(37,261行代码)，UI模块占比44.9%。开发周期36天，提交70次，但存在三大风
有GPU？├── 是 → 需要最高质量？│ ├── 是 → AWQ INT4（vLLM部署）│ └── 否 → BitsAndBytes NF4（快速实验）└── 否 → GGUF Q4_K_M（llama.cpp CPU推理）模型要微调？└── 是 → BitsAndBytes NF4 + QLoRA（4位基础 + LoRA微调）
Context Engineering（上下文工程）错误做法pythonasync def summarize_for_context(long_text: str, focus: str, max_words: int = 300) -> str: """将长文本压缩为聚焦于特定主题的摘要""" prompt = f"""请将以下内容压缩为不超过{max_words}字的摘要。重点保留与"{fo
DeepSeek多模态、GPT-5多模态、Gemini 3……2026年，多模态已不再是"加分项"，而是AI应用的标配能力。本文从工程视角系统讲解多模态大模型的核心技术与实战部署。 多模态大模型2026年全景2026年初，主流多模态大模型格局：| 模型 | 支持模态 | 上下文长度 | 开源状态 ||—|—|—|—|| GPT-5 | 文本/图像/音频/视频 | 256K |
python3.11
——python3.11
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
DeepSeek技术社区
龙虾开发者社区
北京朝阳AI社区
