2026年了，养虾了吗？能对接本地系统的方法了解下？Skills听说过吧，AI圈里整天都在讨论的，，今天我们就通过它来让OpenClaw有能力对接我们本地的系统。

OpenClaw的Skill生态已达13,000+，但新手只需优先安装以下核心技能，就能快速解锁AI自主能力。按安全→基础能力→进阶能力→场景化分类，兼顾实用性与安全性。

我们采用 **1输入+1隐藏+2输出** 的网络结构，全程用**具体数值示例**拆解前向传播、反向传播的每一步计算，让抽象过程直观化。解决的问题是，根据一个输入的数字，判断其是正数还是负数。借此来简单了解神经网络的过程。

作为非大模型专业领域的开发者，简单记录下最近的大语言模型学习笔记，包括都有啥，怎么用，大家是怎么用的以及个人开发者怎么玩。 ...

前段时间有朋友问，是否能利用AI技术来辅助销售团队进行培训。这里我就用LangChain来构建一个简单的模型，构建一个AI Agent，来简单演示下实现的思路。AI Agent也就是我们所说的智能体，相比大模型，它可以让大模型的手伸出来，来进行信息获取甚至一些实质的操作。通过此篇你可以观察到，通过AI Agent，你给它一堆工具之后，它是否能正确的依次使用每一个工具，并且是否跟我们人工的思考方式是

Python访问大模型很方便，也让大家构建复杂的系统更加的灵活。访问的方式也比较灵活，主要有http api，package api的方式。这里简单汇总了常用的三种方式，包括ollama的，http api的，openAI的以及dashscope的。

一个简单的演示，如何把大模型应用集成到自己的应用场景当中。这里的场景我们模拟的是在吃鸡游戏中，一个作战计划，是否符合老六的行为规范。

我在先前的随笔中分享过用Dify低代码平台来实现问答系统，也有几篇随笔是通过不同的方式来访问大模型。本篇将使用LangChain来做对应的实现。相关代码主要是通过Trae，它可以帮助你快速的了解了基本使用 LangChain 构建 RAG的方法，包括从文档加载、向量存储到问答接口实现，整个过程涉及多个关键环节。虽然借助大模型以及Trae，给我们提供了另外一种生成代码和学习代码的方式，但其目前还是需

今天MVP社区巡讲在北京利星行微软大厦连同SQL PASS社区合办了一次线下活动，这次互动汇集了在北京大多数的微软MVP，他们都是微软认可的有着各微软产品和技术特长的技术专家，无论是MVP社区巡讲还是我们SQL PASS的活动，每次都能收获好多。而这次MVP社区和SQL PASS一起合办，规模很大，质量也很高，使我们更受益匪浅。下面是来自现场的一些图片报道，同时，也欢迎关注微软的相关官方微博获

本文将基于Gradio的Interface，继续构建RAG系统的QA前端页面，对比上一篇对召回测试前端页面的构建，来对比在Gradio下，Blocks和Interface的两种区别。