“我的扣子智能体每天稳定运行，用户反馈也不错，但三个月了，还是不知道怎么变现......”这种消息，我每周都要收到几十条。回想去年此时，我和团队也遇到同样的问题。今天，我要分享的是我们陪伴1287名开发者实战总结出的六条变现路径，每一条都经过真实验证。

“我的扣子智能体每天稳定运行，用户反馈也不错，但三个月了，还是不知道怎么变现......”这种消息，我每周都要收到几十条。回想去年此时，我和团队也遇到同样的问题。今天，我要分享的是我们陪伴1287名开发者实战总结出的六条变现路径，每一条都经过真实验证。

本文将深入剖析如何通过 LangGraph、MCP 协议与 ReactAgent 三者融合，构建一个支持多轮对话、工具调用、状态持久化与任务中断的生产级智能代理系统。

智能体的基础是大模型的函数调用，而框架只是对其能力的封装。**”**我们首先要明确一个概念，即智能体是基于大模型应用设计的一套机制，其本质是大模型提供的函数调用功能(function call)，包括现在的MCP服务；而框架只是对这些原生能力的封装，便于开发人员进行功能开发，而不用去处理太多细节性问题。

智能体的基础是大模型的函数调用，而框架只是对其能力的封装。**”**我们首先要明确一个概念，即智能体是基于大模型应用设计的一套机制，其本质是大模型提供的函数调用功能(function call)，包括现在的MCP服务；而框架只是对这些原生能力的封装，便于开发人员进行功能开发，而不用去处理太多细节性问题。

接下来，使用 Neo4j 数据库定义检索器，以通过混合搜索查找相关信息。

非结构化数据，如文本文档和网页，蕴藏着大量有价值的信息。挑战在于如何挖掘这些见解，并连接分散来源之间的点。知识图谱将这些非结构化数据转化为结构化表示。它们绘制出关键实体、关系和模式，支持高级语义分析、推理和推断。知识提取流程但是，如何从一堆非结构化文本文档构建一个有组织的知识图谱呢？以前，这需要耗时的手动工作，但大型语言模型（LLM）使得自动化大部分过程成为可能。在这篇博客中，我们将探讨一种简单但

LLM 固有的基于词的计算和语言技能加上基于向量的 RAG 能带来非常好的结果。为了稳定地得到好结果，就必须超越字符串层面，构建词模型之上的世界模型。同样地，谷歌发现为了掌握搜索能力，他们就必须超越单纯的文本分析，绘制出字符串所代表的事物之间的关系。我们开始看到 AI 世界也正在出现同样的模式。这个模式就是 GraphRAG。技术的发展曲线呈现出 S 型：一项技术达到顶峰后，另一项技术便会推动进步

当下，像大语言模型这样的生成式AI很火，相应的学习资源也如雨后春笋，我从中挑选一份好的学习资料分享给大家。一共有两个pdf文档，一个教如何从零开始训练一个大模型，另一个教如何微调大模型，每个文档仅有23页，如果想涵盖全部内容就难免会缺少一些细节，对于想入门LLM的可以用它先来形成一个整体的思维脑图，然后再去补充细节。下面是对LLM fine-tuning and prompting内容的总结：大模

随着大语言模型（LLMs）的迅速发展，人们对时间知识图谱（tKG）领域的兴趣日益增长。传统上，tKG领域的预测任务主要由基于嵌入和基于规则的方法主导。然而，这些方法在处理复杂的时间关系数据时存在显著局限性，特别是在应对数据规模、复杂的图结构，以及模型在不同数据集和时间切分下的适应性时。为了探索大语言模型在处理时间关系数据方面的潜力，本文提出了一种新的生成式预测框架GenTKG，该框架结合了基于检索