本文深入解析了AI Agent领域的三大核心技术：Function Calling、MCP和Skills。Function Calling作为基础桥梁，连接大模型与外部工具；MCP通过标准化协议解决接口适配问题；Skills则用文档化方式定义业务流程。文章指出，虽然Skills灵活性高，但存在结构化不足和UI适配问题，强调Function Calling仍是核心解决方案。最后介绍了Func-Age

最后，要承认，不同领域、不同专业背景的人在画AI架构图时，会侧重某个特定方面，比如搞工程的，会特别重视模型增强层和AI编排层，我这张架构图，在他们眼里，肯定是不够专业。最近两年，大家都可以看到AI的发展有多快，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？作为一名关注AI的数据从业者，我也想啊。现在AI大模型火热，每个人都想对大模型技术有所了解，至少想了解个大概，这个时候

本文从程序员视角通俗讲解了机器学习中常用的高数概念，围绕"输入变化如何影响输出"这一核心主线展开： 函数与导数：函数是输入输出转换器，导数衡量某点变化快慢（斜率），反映参数敏感性 梯度概念：偏导数（单变量影响）→梯度（多变量方向指示）→梯度下降（沿负梯度方向调整参数） 链式法则：多层变化率通过连乘传递影响，是反向传播的数学基础 工程类比：将参数比作调音旋钮，损失函数比作海拔高度，梯度下降就是寻找下

摘要：一位29岁的前端开发者通过三个月自学成功转行AI大模型应用开发，年薪增长50%，并分享零基础学习路线。学习分为四个阶段：Python/Pytorch基础（1周）、机器学习/深度学习核心（2周）、Transformer/大模型原理（1个月）、实战项目（2个月）。强调实战重于理论，推荐了高效学习资源，并展示了学员成功案例。文章鼓励普通人抓住AI风口，通过系统学习和项目实践实现职业跃升，并提供配套

摘要：本文探讨了大模型应用中Workflow与Agent的选择问题。作者通过餐饮流程类比，将AI技术栈分为五层：模型层（基础能力）、知识层（信息补充）、指令层（任务执行）、编排层（任务调度）和应用层（产品集成）。重点分析了编排层的两种方案：Workflow适用于标准化流程，执行路径固定且可追溯；Agent则具备自主决策能力，适合需要灵活调整的场景。实际应用中多采用混合架构，用Workflow控制主

文章介绍了Agent Skills和MCP两种互补技术，构建大模型智能体的核心架构。MCP解决连接性问题，提供标准化接口；Agent Skills解决能力问题，封装领域知识和工作流。Skills创新的渐进式披露机制大幅降低token消耗，实现分层加载。两者结合形成混合架构，使智能体具备高效连接和专业知识，是构建企业级智能体系统的最佳实践。

摘要：本文探讨了大模型应用中Workflow与Agent的选择问题。作者通过餐饮流程类比，将AI技术栈分为五层：模型层（基础能力）、知识层（信息补充）、指令层（任务执行）、编排层（任务调度）和应用层（产品集成）。重点分析了编排层的两种方案：Workflow适用于标准化流程，执行路径固定且可追溯；Agent则具备自主决策能力，适合需要灵活调整的场景。实际应用中多采用混合架构，用Workflow控制主

最近很多学生和朋友问我：如何用Coze搭建自己的AI智能体工作流程？想参加线上或者线下课学习。今天花点时间跟大家讲讲如何使用Coze搭建自己的AI Agent！

摘要： 本文探讨了AI智能体长期记忆系统的10大关键技术，指出传统RAG方案因缺乏时序和因果关联，难以处理动态偏好变化（如电商场景中的用户品牌转向）。提出知识图谱框架Graphiti作为解决方案，其核心创新包括： 双时间记忆模型（记录事实学习与生效时间）； 动态冲突解决（通过时间戳标记失效关系）； 混合检索（结合语义搜索与子图遍历）； 领域定制化（支持自定义实体与关系）。文章强调AI记忆需区分静态

摘要： 随着大语言模型（LLM）能力的提升，**上下文工程（Context Engineering）**成为AI智能体开发的核心技术，由前特斯拉AI总监Andrej Karpathy提出并推动。上下文是LLM的“心智世界”，包含指令、知识、工具反馈和历史轨迹，决定模型的行为与认知边界。由于上下文窗口资源有限，需通过四大策略优化管理：写上下文（便签、记忆）、选上下文（动态检索关键信息）、压缩上下文（