AI智能体（Agent）技术全景解析 Agent通过整合大语言模型（LLM）、工具调用、记忆系统和规划能力，实现从被动生成到主动执行的跨越。其核心技术包括Function Calling（结构化指令）、Tool Use（多工具协同）和MCP（标准化协议）。根据复杂度分为四级：演示级、工具级、系统级和平台级。生产级Agent需12大核心组件（如编排引擎、记忆管理、错误处理等），主流框架包括LangG

AI智能体（Agent）技术全景解析 Agent通过整合大语言模型（LLM）、工具调用、记忆系统和规划能力，实现从被动生成到主动执行的跨越。其核心技术包括Function Calling（结构化指令）、Tool Use（多工具协同）和MCP（标准化协议）。根据复杂度分为四级：演示级、工具级、系统级和平台级。生产级Agent需12大核心组件（如编排引擎、记忆管理、错误处理等），主流框架包括LangG

AgenticAI：企业级智能决策系统的演进与实践 AgenticAI是一种具备自主决策与闭环任务能力的智能系统，通过“感知-推理-规划-执行”的完整链条处理复杂任务，其核心在于战略级决策能力，与仅执行预设流程的传统AIAgent形成本质差异。企业级落地需四大组件：数据（记忆层）、AI模型（推理引擎）、业务应用（执行端）及控制平面（治理中枢），其中数据基础设施（如Snowflake）是最大瓶颈，需

本文记录了企业部署大模型技术的实践过程。业务部门因政策扶持和市场热点强烈要求部署大模型，但技术人员对投入产出比存疑。技术团队使用淘汰的Tesla P4服务器（CUDA 11.3）尝试部署时遇到vLLM等工具不兼容问题，最终采购NVIDIA L20显卡（48G显存）搭建新环境。详细记录了Python 3.12虚拟环境配置、PyTorch等基础库安装过程，以及使用LlamaFactory进行模型微调的

本文介绍了Qwen3.5-9B模型微调后的导出与部署过程。在导出阶段，详细说明了通过WebUI和命令行两种方式的导出操作，重点解决了导出过程中遇到的常见错误，包括路径配置错误、模板选择错误、库版本不兼容等问题。在部署阶段，使用vLLM创建新的虚拟环境部署模型，提供了启动脚本配置要点，包括端口设置、模型路径等关键参数。最后通过测试脚本和OpenClaw接入验证了部署的正确性，成功实现了模型的应用集成

本文分享了使用vLLM部署大语言模型的经验。vLLM是一个高效的大模型推理框架，但在48G显存的NVIDIA L20显卡上运行大型模型时面临显存不足问题。作者介绍了安装方法（建议使用虚拟环境）、模型下载途径（推荐魔塔社区）以及多个模型的调参过程，包括Qwen、DeepSeek等不同规模模型的运行结果（成功/失败案例）。重点分享了显存优化技巧，如调整--max-num-seqs参数、使用FP8量化等

Ollama是一款简化大型语言模型部署的工具，支持GPT-OSS、Gemma3等多种模型。安装时建议下载脚本本地执行，使用nohup后台运行避免中断。常用命令包括pull下载模型、run运行模型等。文章演示了如何安装embedding模型bge-m3并进行测试，以及通过Modelfile自定义模型参数（如扩展上下文窗口）。Ollama适合开发测试，但生产环境建议使用vLLM等高并发方案。文中还提供

本文探讨了AI编程工具的选择与实践经验。作者对比了阿里QwenCode、ClaudeCode和OpenCode等工具，最终选择开源的OpenCode进行本地化部署，以满足项目对数据安全的要求。文章详细介绍了SpecCoding（规范编程）和VibeCoding（氛围编程）两种开发方法论，分析其适用场景与优劣。实践部分展示了一个内部项目"LLMMaster"的开发过程，该项目通过

本文记录了使用OpenCode开发OpenClaw天气查询技能的过程。作者基于公司内网自建的vLLM大模型服务，通过多次尝试最终选择Open-Meteo免费API实现了中国城市天气查询功能。开发过程仅用半小时就完成了从代码编写到部署的全流程，通过自动生成的部署脚本轻松集成到OpenClaw系统中。该案例证明了AI编程工具在运维场景的高效性，能快速实现传统需要手工开发的小工具功能，为运维自动化提供了

本文分享了作者从OpenCode转向ClaudeCode的实际体验对比。作者最初因对开源工具的执着而使用OpenCode，但在处理老Java系统bug时偶然尝试ClaudeCode，发现其能精准定位问题代码并提供优质修改方案，甚至纠正了作者的判断。随后全面切换至ClaudeCode后，在数据结构重构、功能开发和bug修复等任务中效率显著提升。通过对比实验发现，虽然两者接入同一Qwen3.5大模型服