最近一直在思索一个问题，模型能力日新月异，本号也持续跟踪了这么久，很多技术在当时看来都是非常有用的多经验，但现在看来纯属白学，更有很多产品纯属白做。那到底应该学点什么做点什么才能不被大模型吞噬呢？人类和AI协作边界到底在哪里？

ollama：一个用于在本地运行大型语言模型（LLM）的开源框架，旨在简化LLM的部署和运行。它支持多种模型，并提供了丰富的API接口和聊天界面，可用于文本生成、翻译、问答和代码生成等。

ollama：一个用于在本地运行大型语言模型（LLM）的开源框架，旨在简化LLM的部署和运行。它支持多种模型，并提供了丰富的API接口和聊天界面，可用于文本生成、翻译、问答和代码生成等。

文章介绍了字节跳动扣子平台的AI Agent机制和工作流概念，认为它们是AI技术尚不完全成熟时期的过渡产物。详细解析了Agent智能体、提示词、技能、插件、工作流、触发器、知识库、记忆系统等核心功能，以及单Agent、多Agent和对话流三种模式。这些功能机制共同构成了AI Agent平台的基础，帮助用户构建能够自主执行任务的AI应用。

本文介绍了一款开源的个人知识库工具PandaWiki，它结合了传统文档管理与AI检索增强生成(RAG)技术。文章详细讲解了如何在Linux环境下通过Docker一键部署该工具，配置嵌入、重排和文本模型，并支持从飞书、Notion等多种笔记软件导入文档。PandaWiki既能作为传统知识库浏览文档，又能通过AI进行智能问答，还支持离线文件导入和多种问答机器人搭建，非常适合个人知识管理与AI学习。

本文介绍了使用Ollama+Deepseek+MaxKB搭建企业级本地知识库的完整流程。内容包括Docker安装MaxKB，配置Ollama模型，创建知识库上传文档，以及构建智能问答应用。方案强调数据安全和检索效率，适合企业知识管理需求。最后还展示了如何将系统嵌入第三方应用，实现更广泛的应用场景。

本文深入探讨了RAG系统中分块(Chunking)的关键作用。分块作为连接原始文档和语义检索的桥梁，直接影响系统性能。文章揭示了分块两大核心价值：为语义"降噪"和适应模型"记忆力"限制。作者指出，最佳分块大小应在200-800 Token之间而非接近模型Token上限。文章还详细介绍了四大主流分块策略和进阶技巧，如句子窗口检索、父文档检索器等，帮助读者构建更精准高效的RAG系统，解决答非所问的问题

LangChain已发展成全面的智能体开发框架，通过标准化组件简化大模型应用开发。生态系统包括LangSmith调试工具、LangGraph复杂控制流支持、全托管部署平台和多种工具集成。核心概念涵盖Runnable、LCEL、无状态/有状态系统及工作流与智能体区别。通过聊天机器人、RAG问答和人类干预案例，为开发者提供从研发到部署的完整解决方案。

本文详细介绍如何在阿里云平台上部署专属DeepSeek R1推理模型，解决官方服务限流问题。通过阿里云百炼和云应用开发平台(CAP)，用户可一键部署专属模型，支持知识库使用和分享，适用于客服等多种业务场景。方案操作简便，普通用户也能轻松部署，可接入个性化数据库实现多样化应用，如搭建家庭医生智能助理、行业资讯平台等，帮助用户实现高效、便捷的智能服务体验。

上下文工程是AI智能体开发的新范式，超越了传统提示词工程，关注如何优化有限的上下文窗口内容。面对大型语言模型的注意力预算限制和上下文腐烂问题，有效上下文工程需要筛选最小但信号最强的指令序列集合。文章介绍了系统提示词设计、工具开发、上下文检索策略及长周期任务解决方案（如压缩、结构化笔记和多智能体架构），以构建更高效、可靠的AI智能体。