随着大模型能力的进步，prompt的重要性在不断下降，但是为提高模型输出的稳定性等，prompt优化仍然有必要。人们可以通过加入上下文，引入思考链，或者加入few shot等手段，优化prompt。今天主要讲prompt中文本内容的格式对prompt的影响。模型不同，使用场景不同，prompt中数据组装格式对大模型输出会有不同的影响，建议切换不同的格式进行批量测试，然后再选出最佳的组装格式，使得大

当下你说什么最火，肯定是ai agent了。目前正在从单agent系统发展到多agent系统，单agent更适合做具体的事情，有点类似于医院的分诊台，每个科室是一个agent，分诊台将需求分给更专业的单agent。AutoGen 是微软开发的一个开源框架，用于简化多智能体(Multi-Agent)系统的创建和管理。它允许开发者构建能够相互协作、自主决策的智能体(Agent)系统，这些智能体可以处理

目前市场上大模型agent越来越多，几乎每家公司都在搞，希望通过agent解决实际的业务问题。Agent的重点和难点在于任务的规划，也就是planning，如果任务规划正确，结果大概率正确。其次，每个业务场景对任务出错的容忍度不一样，ToC场景，如果客户觉得不满意，可以再多次使用，或者放弃使用，不会有严重的后果。但是对于医疗、法律、金融等场景，就不太可能接受错误，或者出错会有很大的影响。基于此，可

自从ReAct论文发布以后，ReAct范式agent就受到了大家广泛的关注，它被证实可以用来提高大模型的推理能力。本文以ReAct范式为基础，没有使用任何框架，简单实现演示了ReAct的过程。ReAct它是一种基于prompt的范式，下面展示了几种prompt的差别，它们分别是（a）标准（b）思考链（c）只有Act（d）ReAct。

在大模型时代，大模型agent是一个很火的概念，它是一种基于大语言模型（如 GPT、LLaMA 等）构建的智能代理系统，能够通过自然语言理解和生成能力，结合工具（Tools）或外部知识，完成复杂的任务。比如前两天爆火的manus，就是一种agent。本文基于langchain构建一款简单的agent，窥探其执行过程。import os@tool想要执行什么任务，需要根据问题，构建一个prompt，

我们在使用大模型的时候，有些事情是需要固定的流程来处理，我们怎么办呢，一般会创建模板，然后通过命令行或者其他工具，在想使用这个流程的时候，就会触发它。这样通过模板的方式，不是很智能，Claude code提出了一种新的方式agent skills来处理。Agent Skills 是 Claude 生态中用来扩展智能体能力的一种模块化机制：模块化封装专业能力：一个 Skill 是一个文件夹，通常包含

现在大模型依旧如火如荼，大模型训练和推理都少不了AI服务器，常见的就是英伟达GPU服务器，比如A100等。国产AI服务器也有很多，比如华为昇腾，这些服务器的算力如何，和英伟达的对比怎么样，作为大模型应用开发人员，需要有个了解，这样对部署的大模型性能有个大致判断。作为一个大模型应用工程师，了解国产AI服务器的指标，有利于掌握AI服务器的选型，也有利于在部署模型时，清楚模型运行的性能，知道优化模型性能

现在大家都在使用ai写代码，手写代码的时代慢慢过去了，但是现在有一个问题，就是如何判断ai写的代码有效，这就离不开测试用例。那么应该先写代码，还是应该先写测试用例呢，今天主要说下TDD。TDD（Test-Driven Development，测试驱动开发）是一种开发方法，其核心流程是：RED：先写测试（且必须失败）GREEN：写最小实现让测试通过REFACTOR：在测试保护下优化代码这里最重要的一

ai时代，使用claude code进行软件开发，几乎是程序员的标配了。但是大家在使用的过程中，会遇到很多问题，总之就是觉得大模型好像没有那么牛，那么就需要了解一下claude code的context window了，也就是上下文。大模型，它是无状态的，也就是说，每次你对它进行问答，它并不会将前后两次问答记录联系起来，对agent来说，如果要保持记忆，就是需要将聊天记录携带着，进行下一次的问答。

大模型的发展日新月异，2026年说是ai agent元年，ai的发展对程序员的影响越来越大，如果不会ai coding感觉就会被慢慢淘汰掉。大模型的能力很强了，但是不意味着，随便写prompt就能有效地解决时间的编码问题，今天就来探讨一下。对于小需求而言，一般的prompt coding就能解决coding问题，对大多数需求而言，一般建议使用plan mode，针对大的项目需求，才建议使用spec