本文探讨了如何利用RAG（检索增强生成）技术解决科创比赛项目中信息不对称的问题。通过搭建私有知识库，将复杂的赛制、规则等文件上传，利用大模型进行分析和整理，为用户提供清晰、可靠的信息。文章介绍了两种实现方案：MaxKB和AnythingLLM。MaxKB是一个几乎无需代码的解决方案，适合中小型企业快速搭建私有知识库，支持本地部署和多种安装方式。AnythingLLM则提供了对开发者友好的API接口

笔者之前，分别写过两篇关于Semantic Kernel（下简称SK）相关的博客，最近模型上下文协议（下称MCP）大火，实际上了解过SK的小伙伴，一看到 MCP的一些具体呈现，会发现，Client 调用 Server的方式，和SK调用插件的过程很像，实际操作了一下，发现确实是可以的。也就是说，如果我们之前的项目里用到SK做过Agent相关的模块，如今也可以丝滑的让其充当MCP Client的角色，

昨天下午，同事发来一个需求，大概的意思就是想把一些简单又重复性很高的工作，单拎出来，看看能不能试着用人工智能的方式来给运营人员减减负。大概看了一下这些需求，基本包括以下几个要点我简单总结了一下，然后觉得这完全契合MCP Server的处理流程啊！首先，整个的工作，只是鉴定材料和信息是否合规，并不涉及专业领域，所以可行性大大提高。其次，这些工作的核心，主要还是一个比对的工作，就类似一个材料审查员，看

微软AutoGen框架升级至V0.4，支持更广泛的模型和平台。本文使用DeepSeek-R1模型测试其青少年比赛申报审核场景，配置了三个专业代理：信息提取、资格审核和结构化输出。通过Python代码实现多代理协作工作流，最终将申报信息整理为结构化JSON格式。测试证明AutoGen能够有效编排多模型任务，实现预期的工作流程。

微软最近开源了名为Magentic-UI的智能体研究项目，这是一个基于多Agent、以人为中心设计的人机交互界面系统，特别擅长处理网络任务。该平台依托AutoGen技术构建，支持人类协作规划与任务合作、安全保护机制、计划学习与检索能力以及并行任务执行。部署时主要采用Azure OpenAI API的方式，并需满足一些前置条件如拥有Azure账号等。成功启动后，用户可以通过调整配置来使用Magent

摘要： 微软最新推出Microsoft Agent Framework(MAF)，这是一个面向.NET和Python的开源智能代理开发框架。MAF整合了Semantic Kernel和AutoGen项目的优势，提供AI代理和工作流两大核心功能。文章通过三个案例展示了MAF的基本使用：基础框架搭建、创建脱口秀智能代理以及视觉智能代理开发。作者在实现过程中遇到并解决了Azure.AI.OpenAI包的

至此，需要开发的任务量基本完成。那这套架构真的稳定吗？我前面放过的一些地址里有一些数据截图，这几年运营下来，我们这个系统部署了3个节点，此外还有很多子服务，均为分布式的部署形式，日均访问量最高曾达到300万次，当然早期因为架构不成熟，也经常崩溃，但这两年已经很少因为系统不稳定而造成崩溃了，真正实现了我们这个规模下的，高可用，高并发，高性能。

摘要： 微软最新推出Microsoft Agent Framework(MAF)，这是一个面向.NET和Python的开源智能代理开发框架。MAF整合了Semantic Kernel和AutoGen项目的优势，提供AI代理和工作流两大核心功能。文章通过三个案例展示了MAF的基本使用：基础框架搭建、创建脱口秀智能代理以及视觉智能代理开发。作者在实现过程中遇到并解决了Azure.AI.OpenAI包的

笔者之前，分别写过两篇关于Semantic Kernel（下简称SK）相关的博客，最近模型上下文协议（下称MCP）大火，实际上了解过SK的小伙伴，一看到 MCP的一些具体呈现，会发现，Client 调用 Server的方式，和SK调用插件的过程很像，实际操作了一下，发现确实是可以的。也就是说，如果我们之前的项目里用到SK做过Agent相关的模块，如今也可以丝滑的让其充当MCP Client的角色，

昨天，公司同事突传喜讯，我们内部也成功部署了私有化的deepseek蒸馏模型，虽然参数量不大，但有了私有部署模型，就意味着，之前很多不能深入结合的业务，可以去做深入了。毕竟公有模型终归还是存在数据隐私方面的风险，而一些租赁方案，或者所谓的MaaS（模型即服务）的方案，本质上还是建立在云服务的基础上，也就是云服务时代存在的问题MaaS都有，最显著的就是，高峰期需求大，服务不稳，低谷期需求小，服务稳，