本文深入解析了Claude Code的执行机制和实际工作流。核心是Agent循环，通过读取CLAUDE.md理解项目上下文，调用工具执行任务，并支持Sub-Agent并行处理。文章提供了CLAUDE.md的编写建议，包含项目说明、技术约束和业务背景等关键内容。针对新功能开发、调试、批量重构等场景，给出了具体操作指南，并介绍了如何接入第三方模型降低成本。最后总结了Claude Code的适用场景和使

很多有 Django 经验的开发者在搭 AI Agent 系统时会本能地沿用熟悉的框架，但 AI 编排层的核心需求——异步调度、SSE 流式输出、轻量无状态——恰好与 Django 的设计方向相悖。本文从实际项目出发，分析了 Django 在 AI 编排场景下的三个具体痛点：异步支持不彻底、SSE 实现繁琐、携带大量用不上的全家桶组件。对比说明了 FastAPI 原生异步、StreamingRes

LLM 六大工程实践指南 本文系统梳理了大型语言模型（LLM）在实际开发中的六种核心应用方式： 直接API调用：最简方案，适合快速验证原型，但存在数据隐私风险 RAG检索增强：企业主流方案，通过向量检索+生成解决私有数据问题 模型微调：深度定制行业专用模型，需高质量标注数据和GPU资源 Agent工具调用：赋予LLM执行能力，可对接各类业务系统 多模型协同：组合不同模型优势，提升系统可靠性 边缘部

本文通俗讲解了大模型客服Agent的工作原理，分为三个核心步骤：意图识别、工具调用和优化策略。首先，Agent通过分类任务识别用户意图（如查询物流），并提取关键参数（如订单号）。其次，根据预定义的工具说明书（如查询订单状态函数），模型决定调用哪个工具并执行。最后，文章提出六大优化方向，重点强调清晰描述工具适用场景、提供示例、主动追问不确定信息，以及设置兜底机制。整个过程通过两轮对话实现：模型先翻译

本文通过订机票场景解析LLM应用架构中的核心概念关系。LLM作为大脑负责推理决策，通过Function Call表达工具调用意图；MCP Tools是标准化工具箱，按统一接口执行具体操作；Agent作为协调器驱动任务循环执行；Skills则是预定义的任务模板，沉淀最佳实践。五个概念形成完整工作链：LLM思考→Function Call声明→MCP Tools执行→Agent协调→Skills复用。

MCP 协议：AI与运行环境的桥梁 MCP（Model Context Protocol）是Anthropic推出的开放协议，旨在解决AI调试时"隔墙猜谜"的核心痛点。它通过标准化接口让AI能直接操作真实运行环境，包括浏览器、数据库等工具。 核心价值： 打破AI与运行环境间的信息壁垒 提供统一工具调用标准（类似USB接口） 实现调试过程闭环验证 典型工作流：AI通过MCP客户端

MCP 协议：AI与运行环境的桥梁 MCP（Model Context Protocol）是Anthropic推出的开放协议，旨在解决AI调试时"隔墙猜谜"的核心痛点。它通过标准化接口让AI能直接操作真实运行环境，包括浏览器、数据库等工具。 核心价值： 打破AI与运行环境间的信息壁垒 提供统一工具调用标准（类似USB接口） 实现调试过程闭环验证 典型工作流：AI通过MCP客户端

本文通过订机票场景解析LLM应用架构中的核心概念关系。LLM作为大脑负责推理决策，通过Function Call表达工具调用意图；MCP Tools是标准化工具箱，按统一接口执行具体操作；Agent作为协调器驱动任务循环执行；Skills则是预定义的任务模板，沉淀最佳实践。五个概念形成完整工作链：LLM思考→Function Call声明→MCP Tools执行→Agent协调→Skills复用。

很多有 Django 经验的开发者在搭 AI Agent 系统时会本能地沿用熟悉的框架，但 AI 编排层的核心需求——异步调度、SSE 流式输出、轻量无状态——恰好与 Django 的设计方向相悖。本文从实际项目出发，分析了 Django 在 AI 编排场景下的三个具体痛点：异步支持不彻底、SSE 实现繁琐、携带大量用不上的全家桶组件。对比说明了 FastAPI 原生异步、StreamingRes

本文介绍如何用 Python FastAPI 将 LangChain Agent 封装成 HTTP 接口，供 Java Spring Boot 主服务调用。涵盖 FastAPI 路由、请求响应体定义、LangChain Tool 编写、ReAct Agent 推理机制，以及 Java 侧 RestTemplate / WebClient 调用方式，适合 Java 技术栈团队落地 AI 能力参考。