从依托优质开源平台获取模型资源，到利用适配性极强的Python语言开展算法实验，再到通过标准化接口调用大模型能力、借助高级Prompt优化输出效果，每一环都是AI应用开发的基础核心。

JavaScript数据类型分为原始类型和引用类型。原始类型包括Number、BigInt、String、Boolean、Null、Undefined和Symbol（ES6新增），存储在栈内存中，赋值是值拷贝。引用类型只有Object，存储在堆内存中，赋值是引用传递。Null表示有意设置的空值，Undefined表示未定义的值。Number采用双精度浮点数，不擅长精确计算；BigInt用于超大整数

本文介绍了大语言模型处理文本的核心流程：分词(Tokenization)和向量嵌入(Embedding)。通过js-tiktoken库演示了文本与Token ID的相互转换，解释了神经网络只能处理数字的特性。接着使用OpenAI Embedding API将Token转换为高维向量，并计算文本间的余弦相似度，展示了模型如何理解语义而非字面。完整流程揭示了从自然语言到向量空间再到输出的转换机制，突出

本课聚焦于为LLM扩展工具能力(Tool Use)，这是构建AI Agent的关键第一步。文章从直接调用大模型API的局限性出发，系统性地介绍了Agent的组成架构和工作流程，重点讲解了如何使用LangChain框架为LLM添加工具调用能力。 主要内容包括： 直接调用大模型API的5大局限性：无状态、无法执行操作、知识有限等 Agent的完整组成公式：LLM+Memory+Tool+RAG+MCP

大模型通过预测下一个 token 生成内容，temperature 控制发散程度，Top-K /top_p 圈定候选范围；搭配 LangChain 可把提示词、模型调用与输出解析串成可控工作流。

本文提出 Vibe Coding 的核心不是把项目丢给 AI，而是用 Git、PRD、架构文档、设计规范和质量闸门建立「驾驭工程」流程；先定图纸、打地基、立规矩，再让 AI 高效产出。

文章摘要 本文是端侧AI WebGPU实战系列的第三篇，重点讲解如何实现动态进度条并深入解析React的state与props概念。主要内容包括： 进度条实现：将静态进度显示改造为可视化进度条，使用双层div结构（外层轨道+内层动态填充条），通过内联样式style={{width: ${percentage}%}}实现宽度随进度变化。 数据格式化：通过formatBytes函数将字节数转换为易读单

端侧 AI WebGPU 实战第二篇，剖析 React 合成事件底层原理，封装 Progress 进度条组件，讲解 Props 传参、map 列表渲染、组件树，理解交互驱动状态变更的流程。

大模型通过预测下一个 token 生成内容，temperature 控制发散程度，Top-K /top_p 圈定候选范围；搭配 LangChain 可把提示词、模型调用与输出解析串成可控工作流。

本文摘要： 本课程主要讲解如何构建一个能循环工作的LLM Agent系统。首先指出上节课只能单次调用工具的不足，提出需要实现完整的"思考-行动-反馈"循环。接着详细介绍Agent对话中的四种消息角色（System、Human、AI、Tool）及其作用，并解释LangChain对OpenAI原生响应的封装优化。然后重点剖析ReAct工作流（推理-行动-观察循环），最后给出完整的Agent Loop实