Ollama是建立在llama.cpp开源推理引擎基础上的大模型推理工具框架。得益于底层引擎提供的高效模型推理，以及多硬件适配，Ollama能够在包括CPU、GPU在内的，不同的硬件环境上，运行各种精度的GGUF格式大模型。通过一个命令行就能拉起LLM模型服务。通过Ollama，开发者可以更好的使用GGUF模型。

模型微调的工具和框架有很多，本节来看下LLaMA-Factory的用法，也可参考之前的文章《使用Unsloth进行模型微调》。

本文介绍了一种名为"原位自进化"的新型Agent框架，该框架能在推理阶段自我进化，无需人类干预即可自己创建工具。文章详细解析了这一"工具优先"的Agent框架如何在多个评测集上表现出色，甚至超越了基于Gemini 3 Pro的Agent。研究团队来自中国云玦科技，已将这一框架开源，为解决AI"不可能三角"（开放性、可控性、经济性）提供了新思路。Skills刚爆火，又有新的Agent范式来搅局了……

RAG是你的菜谱书，保证你不乱做Agent是你的厨师长，负责统筹协调MCP是你的标准灶台，让所有锅具通用Skill是你的刀工火候，决定基本功AI应用是你端出的菜品，最终要让人满意记住：没有最好的技术，只有最合适的技术。根据你的"食客"（用户）需求，选择对的"厨具"（技术），才能做出美味的"菜肴"（产品）。现在，去你的AI厨房大展身手吧！先从炒个最简单的"蛋炒饭"开始，慢慢你就会成为AI厨房的米其林

本文通过Dify平台实例，讲解了如何配置Agent节点和FunctionCalling策略，实现AI对用户输入的智能分析并动态调用MCP工具。文章详细介绍了工作流编排步骤，包括安装Dify Agent策略插件、配置MCP工具、设置Agent策略等，并拆解了Agent模式策略的执行过程，展示了AI如何根据任务需求自主决策最佳执行路径。适合想学习大模型应用的程序小白，手把手教你开发极简AI Agent

本文从历史角度解析了Agent-ReAct-Skills-MCP-Tool技术的演进过程，详细解释了各概念定位。Skills是面向场景的SOP/最佳实践，解决Token效率问题；MCP解决能力接入问题。两者可配合使用，MCP负责工具调用，Skills负责业务流程编排。文章还讨论了Skills的局限性、企业应用策略及开源市场，认为Skills将成为企业构建智能体平台的关键组件。对于想要学习大模型技术

近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只

在LangGraph中，用StateGraph类来表示一个图。在初始化StateGraph之前，需要先定义一个状态模式，它可以是Python中任何带有getattr()方法的对象，例如字典、类或者Pydantic对象。TypedDict：速度快，但不支持默认值。dataclass：速度也很快，支持state.foo的访问方式，且支持默认值。Pydantic：速度较慢，但支持数据验证。让我们从一个简

近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只

我们要把 AI 大模型当做人的大脑，因此调用 AI 大模型，相当于调用一个人，把 AI 大模型当人看，TA 懂人话、TA 说人话、TA 会直接给出结果，但结果不一定正确。因此在 AI 大模型的推理基础上，通过 RAG、Agent、知识库、向量数据库、知识图谱等技术手段实现了真正的 AGI（通用人工智能）。这些技术到底有哪些区别和联系，下图作了横向对比，接下来我们详细剖析下。