本文探讨了智能体应用中Skill配置的优化方法。核心思路是采用"渐进式披露"策略，通过树状目录结构组织大量Skill文件，并建立索引机制减少模型上下文负担。文章提出多维度优化方案：1）使用语义向量+关键词的混合检索提升召回率；2）引入查询改写机制处理模糊请求；3）设置Top-K和阈值过滤确保结果相关性；4）实现冷热数据分离的缓存策略。这些方法共同解决了生产环境中Skill检索的

本文介绍一款与langchain适配性极好，额度大的api联网搜索工具Tavily，原生支持作为工具为大模型配置。每月大量免费额度，方便测试和个人开发。

本文介绍了Claude Code的安装与配置方法。提供了两种安装方式：通过npm指定2.1.153版本安装（新版v2.1.156不支持第三方模型），或使用脚本安装。详细说明了环境变量设置步骤，并推荐安装CC-Switch工具以支持第三方模型访问。文章给出了DeepSeek-V4的配置示例，特别强调需禁用自动更新以避免版本升级导致的问题。最后通过终端测试验证了配置的正确性，确认v2.1.153版本可

本文介绍一款与langchain适配性极好，额度大的api联网搜索工具Tavily，原生支持作为工具为大模型配置。每月大量免费额度，方便测试和个人开发。

在较新的Java版本中，编译器已经支持了接入各种AI模型工具进行开发，这篇文章我会介绍如何利用Spring AI进行大模型的调用的基础方法

在AI的时代下，各企业也开始了转型，逐步向智能化方向转变，首当其冲的就是服务自动化、智能化，但是由于以往大模型与企业本地服务接口的匹配性问题，导致调用本地知识库的过程复杂化。我将介绍一个专门解决这类问题的标准化协议MCP，以医疗场景为例，用于介绍其在应用上的优势。

 经过近百次的尝试，我发现通过代码直接部署大模型的不稳定性以及操作、技术上的难度远远超过了其本身的价值，尤其是对于初学者以及硬件能力较弱的机器。而采用ollama直接一键部署大模型则显得更加有优势，其在模型的控制上更稳定，模型库包含了大量不同大小的模型的不同量化版本，一键部署更加方便。        上一篇文章我介绍了通过Python环境直接使用代码部署大模型的示例，本篇我将借助ollama完成同

 Spring AI更新的速度非常快，在一个月之前我还在用着最新的M7版本，中间经过M8、1.0.0RC1，现在马上就到了1.0.0正式版。正式版当然也新增了许多东西。      因为大多数人都在用M7和M8版本的Spring AI，本篇文章我就介绍一下M7、M8版本向1.0.0版本做兼容时主要需要修改的点

在较新的Java版本中，编译器已经支持了接入各种AI模型工具进行开发，这篇文章我会介绍如何利用Spring AI进行大模型的调用的基础方法

当我们想要部署一个自己的本地ai助手时，如果不想通过一些工具。比如ollama进行协助，而是想要实现更灵活、对性能更可控的方式时，你可以采取直接使用python环境通过代码运行模型文件，以下我将演示如何实现这一功能