基于 Next.js、Ollama 和 Qwen3，搭建零成本本地大模型流式聊天应用，完成本地模型问答和流式输出基础链路。

从大模型工具 计算器 demo 出发，复盘 AI 应用里 Tool Calling 的可扩展设计，包括工具注册、参数校验、执行结果和前端展示。

本文分享了AI Mind项目从理想化全自动部署到实际调整的演进过程。作者最初计划采用GitHub Actions + GHCR + 服务器拉镜像的全自动化方案，但在实践中遇到腾讯云拉取GHCR镜像不稳定、GitHub Actions连接服务器SSH超时等问题。最终部署方案调整为：GitHub Actions负责CI和镜像构建推送至腾讯云TCR，本地脚本控制服务器部署，生产环境变量由本地维护。文章重

本文介绍了AI Mind项目v0.4.4版本中的多会话记忆管理系统。针对单个线程状态在多主题聊天中出现的记忆混乱问题，作者通过设计会话注册表和独立会话线程，实现了多个聊天上下文的短期记忆隔离。核心方案包括：1）将浏览器会话扩展为多个记忆容器；2）新会话采用草稿模式避免空条目污染；3）服务端严格校验会话归属，确保恢复、上下文和写入的一致性。文章详细阐述了技术实现细节，包括会话生命周期管理、线程状态隔

本文是 AI Mind 项目 v0.2.0 的工程复盘，重点介绍如何将受控的 Tasklist Agent 从手写 Runner 迁移到 LangGraph 的状态图编排。Tasklist Agent 的核心功能是根据用户指定的版本方案文档生成开发任务清单草稿，具有严格的输入输出边界（必须引用文档、最多修正一次、不直接写文件）。作者通过 LangGraph 的 StateGraph、node 和

本文介绍了AI Mind项目v0.1.1版本中Tasklist Agent的改进设计。该版本在原有固定流程基础上，新增了一次受控的规划决策（Planning Decision），让模型在5类安全动作中选择下一步，包括继续生成、补充上下文、澄清问题、带复核继续或停止。通过方案就绪度判断、动作白名单和状态机三层控制，既增加了灵活性，又严格限制了资源权限、工具权限和循环权限，确保系统边界清晰可控。这种设

本文是 AI Mind 项目 v0.2.0 的工程复盘，重点介绍如何将受控的 Tasklist Agent 从手写 Runner 迁移到 LangGraph 的状态图编排。Tasklist Agent 的核心功能是根据用户指定的版本方案文档生成开发任务清单草稿，具有严格的输入输出边界（必须引用文档、最多修正一次、不直接写文件）。作者通过 LangGraph 的 StateGraph、node 和

本文介绍了AI Mind项目v0.1.1版本中Tasklist Agent的改进设计。该版本在原有固定流程基础上，新增了一次受控的规划决策（Planning Decision），让模型在5类安全动作中选择下一步，包括继续生成、补充上下文、澄清问题、带复核继续或停止。通过方案就绪度判断、动作白名单和状态机三层控制，既增加了灵活性，又严格限制了资源权限、工具权限和循环权限，确保系统边界清晰可控。这种设

本文基于 AI Mind 项目实践，记录第一个受控 Tasklist Agent 的设计与实现过程。这个 Agent 不是通用自动执行器，而是一个边界明确的任务清单生成 Agent：用户通过 /tasklist + @docs://versions/*.md 显式引用版本方案，系统读取方案后生成任务清单草稿，并通过结构校验工具保证输出格式稳定。

本文介绍了AI Mind项目中"生成交付计划"功能的智能体协作机制设计，重点讨论了如何确保多智能体协作结果的可靠性。文章提出三个核心设计决策： 结构化输出验证：每个智能体的输出必须通过严格schema校验，确保机器可解析且边界明确，Markdown正文仅用于展示。校验失败时仅提供一次修复机会，避免无限重试。 硬编码安全规则：关键业务规则（如评审流程完整性、阻断状态不可覆盖）由运行时强制校验，不依赖