摘要：AgentSkills是AI助手的"职业技能培训手册"，旨在将通用AI转化为具备专业技能的专家。它解决了传统Prompt方式的四大痛点：1）避免重复输入标准化流程；2）采用渐进式披露机制优化上下文管理；3）通过集成脚本确保输出稳定性；4）建立开放标准实现技能复用。适用于标准化输出、复杂逻辑执行、知识库管理等场景，与MCP形成互补组合：Skills专注操作流程，MCP负责系

MCP与Skill是智能系统的两个关键维度：MCP（多通道平台/处理器）作为底层架构，负责整合多模态交互渠道（如语音、文本）和计算能力；Skill则是基于MCP的具体功能模块（如"查天气""设闹钟"）。核心区别在于：MCP关注系统级资源调度与跨渠道协同，为Skill提供运行环境；Skill聚焦单一任务的精准执行，依赖MCP的底层能力。二者的关系如同&quot

本文系统梳理了大模型本地部署工具生态，从推理引擎、图形化前端到专用场景工具，提供了全景分类和选型指南。核心选型五步法建议：1）明确隐私/性能/成本等优先级；2）根据硬件选择适配方案（CPU选Ollama/llama.cpp，GPU选vLLM/TGI）；3）考虑工程化需求；4）团队规模匹配工具复杂度；5）典型场景组合方案。文章提供了快速上手命令示例，并指出常见避坑要点：格式匹配、显存优化、并发策略及

摘要：本文系统介绍Java高效读取10GB+大文件的最佳实践。核心原则包括流式处理、缓冲优化、NIO和并行处理。针对不同场景推荐5种方案：1）文本文件使用BufferedReader逐行读取；2）Java8+采用Files.lines()流式API；3）二进制文件使用FileChannel+ByteBuffer；4）随机访问采用MappedByteBuffer内存映射；5）高级并行分段读取。强调避

本文介绍了LangChain中的@tool装饰器，它用于将普通Python函数转换为AI可调用的工具。通过@tool修饰的函数能被AI模型发现和使用，实现工具调用功能。关键点包括：1）@tool来自langchain.tools模块；2）通过docstring和类型注解定义工具功能；3）与Agent系统集成实现自动调用；4）支持参数传递和复杂功能扩展。@tool是构建智能代理的关键组件，可轻松扩展

智能体工具调用数量建议控制在3-5个，最多不超过7个。过多工具会降低LLM的决策准确性和可维护性，增加认知负荷与调试难度。最佳实践是将工具按功能拆分给多个专用智能体，主智能体负责任务路由。生产环境推荐单个智能体工具数≤5个，确保稳定性和可观测性。当需要更多工具时，应采用分层架构或多智能体协作方案。

（具体路径可能因 LangChain 版本略有不同，比如在或中，请根据你使用的 LangChain 版本调整导入方式）是 LangChain 提供的一个输出解析器，用于将 LLM 返回的、按行分隔的文本内容，自动解析为一个 Python 字符串列表（List[str]），非常适合用于让 LLM 生成清单、列表类内容的场景。​​。

摘要索引是RAG系统中通过预存文本摘要和向量来加速检索的技术，适用于大规模文档库初筛、资源受限环境等场景。它存储文本块的简短摘要和对应向量，相比全文本索引检索更快但精度稍低，常与详细索引配合形成两阶段检索策略。典型应用包括客服系统快速响应、知识库导航等，可结合元数据过滤提升效果。实现时需注意摘要质量，建议采用"粗筛+精排"架构，定期评估优化索引策略。该技术能显著降低计算负载和存

MinerU是OpenDataLab开源的智能文档解析工具，专门处理复杂多模态PDF文档，可将其转换为Markdown、JSON等结构化格式。该工具支持文本、表格、公式、图像的联合解析，具备阅读顺序恢复、84种语言OCR识别、多平台兼容等特点，适用于学术研究、企业文档管理、教育培训和RAG等场景。提供Python API和命令行两种使用方式，支持CPU/GPU加速，并内置可视化质检工具。特别适合处

摘要：LangChainCore中的Tool（工具）允许大语言模型（LLM）与外部系统交互，扩展其能力。Tool包含名称、描述和执行函数，支持自定义或使用现成工具（如搜索、API调用）。通过与Agent配合，LLM可自主决定调用工具。推荐使用Pydantic模型定义参数结构，提升调用准确性。Tool是构建智能应用的关键组件，适用于搜索、数据库查询等多样化场景。