│ AI Agent（智能体） ││ ││ │ 1. 大脑 (LLM) │◄──►│ 2. 手脚(Tool)│ │ 3. 记忆与知识(Data│ ││ │ 推理 & 规划 │ │ 操作外部世界 │ │ & Context) │ ││ │ ▲ ▲ ││ │ ││ │ ① 短期记忆（Messages） │ ││ │ ② 指令约束（System Prompt） │ ││ │ ③ 长期知识（RAG/数据库

我们给Agent一个复杂任务（代码中case1），它包含创建项目、修改代码、安装依赖、启动服务等多个步骤。创建一个功能丰富的React TodoList应用:1. 创建项目 : echo -e "n\nn" | pnpm create vite react-todo-app --template react-ts2. 修改 src/App.tsx- 添加、删除、标记完成- 分类筛选(全部/进行中/

我们从一个痛点出发，理解了MCP如何通过标准化协议解耦LLM和工具/资源。用Node.js实现一个MCP Server，注册Tool和Resource。用LangChain的MCP适配器作为Client，集成到Agent中。利用Resource注入System Prompt，丰富上下文。通过流程图和时序图，深入理解跨进程通信和Agent循环机制。MCP的本质，是给AI Agent打造了一个“万能工

笔记里提到“Agent擅长的交给Agent，不擅长的我们接管”。其实在流式交互中，大模型擅长“生成内容”，而 Vue 擅长“高效渲染”。我们作为工程师，不需要去手动操作DOM，也不需要去处理WebSocket的二进制原始包——fetch+ Vue 响应式替我们挡掉了所有脏活累活。但只有当你搞懂了Uint8Array怎么变成deltadelta怎么触发Diff，你才能在遇到粘包乱码渲染卡顿内存泄漏时

重复的工作，是 AI 最好的朋友；固定的流程，是 Skill 最好的土壤。“会议纪要自动化，不是为了取代人类，而是为了让我们从记录者变成思考者。当你把这份 Skill 分享给团队，每个人都能在会后 30 秒内拿到一份结构清晰的纪要时，你会发现——那种“收到”的负担感消失了，取而代之的是“搞定”的成就感。

AI 领域开源项目（比如 Hugging Face 的 transformers.js）几乎清一色用 React，生态最成熟，大型项目维护友好；：原子类 CSS 框架，再也不用写一堆难维护的样式文件，特别适合“自然语义编程” —— 你只需要在 className 里堆砌语义明确的工具类，界面就能快速成形；ESLint：大公司标配，保证代码风格一致，减少团队协作时的无效争吵。React 比 Vue

大语言模型（LLM）很强大，但它并不是“读心术大师”。想让模型输出符合预期的结果，清晰的指令和合理的 API 调用封装是关键。本文将结合一个完整的 Python 示例，带你掌握：✅ Prompt 编写的核心原则✅ 如何封装一个通用的函数✅ 控制输出随机性与长度✅ 引导模型逐步推理、按格式输出✅ 认识模型“幻觉”并加以防范无论你是刚入门 AI 开发，还是想系统提升 Prompt 工程能力，这篇文章都

openai步骤作用关键点初始化项目，生成记录依赖与脚本.gitignore防止密钥和依赖被提交必须包含和.envdotenv安全存储 API Key不要硬编码，用读取openaiSDK统一调用接口支持自定义baseURL，兼容多种模型.mjs现代化模块语法比require更简洁控制异步流程只有await才能拿到真实 API 返回现在你已经掌握了一套完整的AIGC 后端工程化开发流程安全配置与读取

你有没有过这样的困惑：为什么 GPT 的计费方式总是按 "Token" 算？为什么 "Hello" 占 1 个 Token，而 "你好" 却占了 2 个甚至更多？大模型明明是"文科生"，它到底是怎么"看懂"我们输入的文字的？说实话，我最早接触大模型的时候，也被这几个问题搞得一头雾水。直到有一天，我静下心来把 Tokenization 和 Embedding 这两个概念彻底捋了一遍，才发现——说白了

你是否曾幻想过，像问 ChatGPT 一样问一本小说：“段誉会什么武功？”然后它不仅能给出答案，还能告诉你这句话出自第几章？这就是 RAG（检索增强生成）的典型应用——把静态文档变成可交互的知识库。本文将带你从零开始，用 Milvus + LangChain 搭建一个“天龙八部问答机器人”。全文实战优先，不但给出可运行的代码，还会逐函数解析关键 API，并用 流程图 帮你理清整个流程。读完你不仅会