将github.com替换为gitmcp.io，在你的仓库链接中，这样你的AI就可以实时查看你的代码和文档了。它能将你的AI与数据库相连，这样你就无需使用仪表盘，直接告诉它要做什么，比如创建表格或设置安全措施。它将AI连接到你的仓库、数据库或其他任何你正在使用的东西，这样你就不必逐字逐句地给它提供上下文了。稍后，询问“再次使用那个暗模式代码”，它就会为你的新项目进行调整。21世纪开发魔法让你用通俗

将github.com替换为gitmcp.io，在你的仓库链接中，这样你的AI就可以实时查看你的代码和文档了。它能将你的AI与数据库相连，这样你就无需使用仪表盘，直接告诉它要做什么，比如创建表格或设置安全措施。它将AI连接到你的仓库、数据库或其他任何你正在使用的东西，这样你就不必逐字逐句地给它提供上下文了。稍后，询问“再次使用那个暗模式代码”，它就会为你的新项目进行调整。21世纪开发魔法让你用通俗

摘要：AI领域涌现出多个实用开源项目，简化开发流程。SimAI提供拖放式智能体构建；TransformerLab支持本地模型训练；RAGFlow专注企业级文档处理；AutoAgent实现无代码智能体创建；LLaMA-Factory简化模型微调；AnythingLLM整合多种AI功能。这些工具覆盖智能体开发、RAG、微调等场景，部分支持本地运行，适合不同层次的开发者需求。

生成事实错误或无意义的信息。缺乏训练截止后最新事件或发展的相关知识。无法回答有关专有或小众数据的问题。检索增强生成（RAG）通过用外部、最新且特定领域的信息扩充大语言模型（LLM）的知识来解决这些局限性。当用户提出问题时，检索机制（通常使用嵌入和向量数据库）会在庞大的知识库（文档、文章、网页等）中搜索相关信息。然后将检索到的信息作为额外的上下文与用户的原始查询一起提供给大语言模型。大语言模型使用这

我们的系统必须做好适应的准备。一个真实的系统会使用专门的日志服务，但在我们的示例中，一个简单的写入 JSONL（JSON 行）文件的函数就足以完美地演示这个概念。这促使我们设计出一个更智能的V1智能体，它拥有强大的模型、用于数学验证的工具使用能力，以及一个用于上下文推理的RAG系统。现在，让我们创建一张全新的、有挑战性的收据，我们的V1代理从未接受过此类收据的训练，很可能会误解它。这证实了我们在准

我们的系统必须做好适应的准备。一个真实的系统会使用专门的日志服务，但在我们的示例中，一个简单的写入 JSONL（JSON 行）文件的函数就足以完美地演示这个概念。这促使我们设计出一个更智能的V1智能体，它拥有强大的模型、用于数学验证的工具使用能力，以及一个用于上下文推理的RAG系统。现在，让我们创建一张全新的、有挑战性的收据，我们的V1代理从未接受过此类收据的训练，很可能会误解它。这证实了我们在准

我们的系统必须做好适应的准备。一个真实的系统会使用专门的日志服务，但在我们的示例中，一个简单的写入 JSONL（JSON 行）文件的函数就足以完美地演示这个概念。这促使我们设计出一个更智能的V1智能体，它拥有强大的模型、用于数学验证的工具使用能力，以及一个用于上下文推理的RAG系统。现在，让我们创建一张全新的、有挑战性的收据，我们的V1代理从未接受过此类收据的训练，很可能会误解它。这证实了我们在准

由于需要编排多个智能体，因此需要一个集成层来支持不同的智能体交互模式，例如智能体到智能体的API、提供供人类使用的输出的智能体API、人类触发AI智能体、人类在环的AI智能体到智能体交互等。最后，我们来讨论治理层。类似于将大语言模型微调为特定领域的大语言模型/小语言模型，我们认为，为了推动智能体在企业中的应用，需要针对企业特定场景（适用的用户角色和用例）对（通用）AI智能体进行定制/微调。设计者应

有了我们的理念和环境，现在我们可以进入任何成功的AI项目的第一步，即深入理解并量化我们试图解决的业务问题。一家公司每月要处理数千张员工费用报销单。人工审核流程缓慢、成本高且容易出现人为错误。我们的任务是构建一个AI智能体，自动执行这个工作流程，仅智能标记出需要最终人工审核的必要报销单。我们确实知道，真正的企业需要的不仅仅是准确性，一个可投入生产的系统必须从多个因素进行评估……我们必须将遗漏的不合规

有了我们的理念和环境，现在我们可以进入任何成功的AI项目的第一步，即深入理解并量化我们试图解决的业务问题。一家公司每月要处理数千张员工费用报销单。人工审核流程缓慢、成本高且容易出现人为错误。我们的任务是构建一个AI智能体，自动执行这个工作流程，仅智能标记出需要最终人工审核的必要报销单。我们确实知道，真正的企业需要的不仅仅是准确性，一个可投入生产的系统必须从多个因素进行评估……我们必须将遗漏的不合规