RAG（Retrieval Augmented Generation, 检索增强生成）是一种技术框架，其核心在于当 LLM 面对解答问题或创作文本任务时，首先会在大规模文档库中搜索并筛选出与任务紧密相关的素材，继而依据这些素材精准指导后续的回答生成或文本构造过程，旨在通过此种方式提升模型输出的准确性和可靠性。RAG 技术架构图介绍：富文本 主要存储于 txt 文件中，因为排版比较整洁，所以获取方式

本文分享大厂风控产品经理的智能体开发19条实战经验，涵盖业务需求理解、知识库构建、意图识别、模型边界设定、评测体系、架构设计、工作流优化、确定性逻辑处理、参数验证、日志埋点、可解释性设计及运营机制等方面。强调稳定交付、明确边界和持续运营的重要性，为智能体开发提供实用指导。主职工作是大厂做风控产品经理，工作中做了客诉、风险分析、策略生成、规则模板等智能体，自己独立也做了很多内容自动化、内容分析的智能

全球大模型第一股”

智能体（Agent）是一个能够代表用户，以高度独立性完成任务（Workflow） 的系统。它能理解用户目标，自主选择行动路径，并利用外部工具执行任务。简单来说，它是“能帮你做事的AI”，而不仅仅是“能和你聊天的AI”。比如你告诉它“帮我分析最新销售数据，并生成周报”，它不会仅仅生成报告模板，而会：1.查询数据库 → 2. 分析关键指标 → 3. 生成图表 → 4. 写出总结报告 → 5. 邮件发送

它是指一个包含指令、脚本和资源的有序文件夹，代理可以动态发现并加载这些 文件夹，从而更好地完成特定任务。Skills 是一种“给 Agent 用的、可复用的流程型能力封装”，它不是 Prompt，也不是 MCP，而是把个人或者团队的 SOP 变成 Agent 可以随时调用的“技能包”。

我们紧跟当时的技术潮流，试图冲击创造力的上限，但遗憾地遭遇了基座模型代差的降维打击。我们坚守了产品的可用性底线，通过流程和知识库，稳住了用户的基本盘。我并没有陪这个产品走到最后。但在我离开后，它维持着这种分裂但平衡的状态，并依然运营至今。这也揭示了AI 产品真正的护城河不纯粹依赖模型有多聪明，而是产品承载了多少真实世界的复杂性。正是因为我们把业务逻辑从模型中解耦出来，固化在 Workflow、RA

本文详细介绍了Agent Skills的创建和使用过程，包括Cursor升级、Skill文档创建、项目目录设置及技能调用。Skills本质是标准化需求文档集合，可提高AI编程效率，避免遗漏业务逻辑。文章还探讨了Skills的高级应用，如脚本调用和多Agent协作，为AI编程提供了实用指导。

Anthropic 在 2024 年 11 月推出了 Model Context Protocol (MCP)，这是一个连接 AI Agent 到外部系统的开放标准协议。本文是 Anthropic 工程团队在 MCP 推出一年后，针对大规模工具连接场景下的性能瓶颈，提出的创新性解决方案——通过代码执行环境与 MCP 结合，实现 98.7% 的 token 使用率降低。这不仅是一次技术优化，更是 A

在当前的技术环境下，大型语言模型（LLMs）已经成为人工智能领域的一个重要里程碑。这些模型能够在各种任务上展现出人类水平的性能，包括但不限于文本生成、语言理解和问题解答。随着开源项目的发展，个人开发者现在有机会在本地部署这些强大的模型，以探索和利用它们的潜力。本文将详细介绍如何使用Ollama，一个开源项目，在Mac上本地运行大型模型（Win同理）。通过遵循以下步骤，即使是配备了几年前硬件的电脑，

摘要随着云计算、机器学习和人工智能等第四次工业革命（4IR）技术的出现，虽然带来了便利性和生产效率的提升，但同时也给培训与教育带来了新的挑战，需要对现有员工进行再培训，并培养一支新劳动力。在已有劳动力短缺的情况下，这一庞大的劳动力再培训和建设努力旨在打造一支能够操作和维护这些4IR系统的高科技劳动力；需要更高的学生保留率和坚持度。这种学生保留和坚持的增加在培训来自边缘化社区（如代表性不足的少数群体