去年在字节TRAE线下活动的一句提问，让我捕捉到SKILLS这个大模型新范式的苗头——它不是简单的工具调用，而是能让AI实现“按需加载能力”的渐进式革命。从CLAUDE率先提出，到字节TRAE的快速跟进，再到LangChain从“曲线适配”到Deep Agent原生支持，这半年，我完整见证了一个AI技术概念从圈内热议到全面落地的全过程，也读懂了技能模块化背后的行业趋势。

在最新的SSMS 22版本中，加入了微软官方的AI工具GitHub Copilot。此篇结合微软官方的文档，汇总了我们作为机长，应该如何跟这位副驾磨合。

MAF (Microsoft Agent Framework) 是微软用于构建 AI 智能体 (Agent) 的开发框架；Microsoft Foundry 是基于 Azure 的企业级 AI 开发与运营平台。两者紧密配合：MAF 负责开发智能体逻辑，Foundry 负责部署、托管与运维。学习LangChain的相关文档好久了，今天决定看下微软这边相应的解决方案。查了下Foundry是支持本地部署

继续上篇，此篇使用Microsoft Agent Framework 创建了一个简单的智能体，会根据用户的提问去调用相应的工具。此篇不依赖Azure资源，仍使用可以本地安装和部署的资源。

简单介绍OpenClaw核心八大 MD 文件，soul.md, identity.md, user.md, memory.md, agents.md, bootstrap.md, skill.md, heartbeat.md。

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。

上一篇讲述了一篇文章如何通过LLM转换成Cypher，然后在Neo4J里运行，形成知识图谱。此篇接着上篇，继续梳理一个用户查询，如何通过图数据库以及大模型去汇总查询结果。

上一篇讲述了一篇文章如何通过LLM转换成Cypher，然后在Neo4J里运行，形成知识图谱。此篇接着上篇，继续梳理一个用户查询，如何通过图数据库以及大模型去汇总查询结果。

在AI开发中，知识图谱是非常火的一个领域，而提到图数据库大家都会第一时间想到Neo4J，其实在SQLServer中早已有支持，此篇将简单演示如何在SQLServer下构建图数据库，实现知识图谱的管理。

本文介绍了Power BI中数据建模与关系管理的核心概念。主要内容包括：1)数据模型的作用，通过建立表关系实现跨表分析；2)事实表与维度表的区别与特点；3)关系的三种构成要素（基数、交叉筛选方向、活动属性）及创建方法；4)星型模型和雪花模型的结构与适用场景；5)字段管理和行级安全设置。文章强调星型模型是推荐的建模方式，并提供了常见问题的解决方法，为后续学习DAX计算语言奠定基础。