本篇将介绍DMS的一款数据分析智能体（Data Agent for Analytics ）产品的技术思考和实践。Data Agent for Analytics 定位为一款企业级数据分析智能体， 基于Agentic AI 技术，帮助用户查数据、做分析、生成报告、深入洞察。由于不同产品的演进路径，背景都不一样，所以只介绍最核心的部分，来深入剖析如何构建企业级数据分析助手：能力边界定义，技术内核，企业

文章详解了文件系统如何帮助深度智能体解决上下文管理的四大难题：Token过多、需大量上下文、难以找到小众信息以及无法持续学习。通过将文件系统作为智能体的统一接口，可灵活存储、检索和更新上下文，提高效率并降低成本。最后介绍了LangChain的Deep Agents项目，帮助开发者快速构建具备文件系统访问能力的智能体。

“暑假想去昆明玩七天。”——当你在飞猪旅行App中随口对AI旅行管家说出这句话，不到几秒，一份包含航班、酒店、景点推荐和3831元总预算的完整方案就已生成。这个看似简单的对话背后，是一套名为“问一问”的AI旅行管家系统，它瞬间激活了路线规划师、机票专员、酒店顾问、预算控制员等多个Agent角色协同工作。

本文详细介绍了如何使用 FastAPI 和 LangGraph 从零构建一个能使用工具的 AI Agent。通过创建计算器、获取时间、掷骰子等工具，并实现支持多轮对话记忆的流式和非流式 API，帮助开发者掌握 LangGraph 的核心功能和 FastAPI 的应用技巧。

本文主要介绍如何在Ubuntu操作系统环境下，零基础快速安装Docker环境、安装Ollama、安装本地大模型DeepSeek-R1和大模型可视化工具Open WebUI，快速在本地搭建一款专属AI智能小助手。

在之前我制作了几个 RAG，但都是吃文字吐文字的。一想到我的 RAG 只能看到冰冷的文字，而看不到类似猫娘的图片时，我就替 AI 感到惋惜。那么本文就手把手制作一个能吃图片的 RAG，打造一个能够进行图像检索的 RAG。

最近有同学在面试中被问到了 vLLM 的 PagedAttention，这篇文章带大家了解其核心原理。

本文介绍了人工智能体（AI Agent）作为AI发展的新阶段，从工具型AI、对话型AI到智能体的进化过程。AI Agent具有自主性、环境感知和持续学习三大特征，能够理解目标、制定计划并自主执行任务。它在电商、办公和生活场景有广泛应用，能降低重复劳动、提升决策效率。文章分析了AI Agent流行的三大原因：需求推动、技术成熟和价值巨大，并展望了未来人机协作的工作场景，同时也指出数据安全、伦理责任和

本文介绍基于Qwen3-VL多模态AI模型的文档智能解析技术，详细展示了如何将图片文档解析为Markdown格式，并实现三种智能问答方法：直接问答系统、多轮对话问答系统和特定信息提取问答。通过具体代码示例和输出结果，展示了如何利用解析后的Markdown内容回答文档主题、表格内容、关键信息等各类问题，为构建智能文档分析系统提供了完整的技术方案。

文章分享了企业级RAG系统构建的实战经验，包括文档质量评分系统、层级化分块策略、混合检索问题和置信度驱动的智能路由四个工程要点。强调企业RAG更多是工程问题而非纯机器学习，需要处理脏数据、理解行业需求，并注重基础设施和成本控制。作者通过10多个项目经验表明，先进行文档质量评估、构建领域专用元数据模式、采用混合检索策略、重视表格处理，以及关注生产基础设施是企业级RAG成功的关键。