LangGraph 是 LangChain 的一个分支或扩展，专注于构建和运行基于图的、有状态的、多参与者的工作流。它通过将复杂的任务分解为多个节点（步骤），并通过边（依赖关系）连接这些节点，来实现更灵活和强大的任务编排。目前大模型agent特别火，agent框架也特别多，比如langchain、openai agent、autoGen等等，从这些不同的框架中，可以学习它们的构建思路，来完善自己的

Request│▼Cache├── Hit → 直接返回结果那么就不需要重新查询数据库。LLM 的缓存思想类似，但比传统缓存复杂很多。Prompt│▼│▼Prefill│▼KV Cache│▼Decode│▼Response因此，我们可以在不同层面消除重复计算。│▼│ Miss▼│ Cache ││▼│▼KV Cache│▼Decode缓存主要解决的问题KV Cache同一次生成过程中，不重复计算

rag应用已经有成熟的操作范式，针对具体场景又有一些细微的变化。以电商业务中的问答场景为例，客户积累了大量的问答数据，即faq问答对，这些数据是结构化的，需要再加工处理的步骤不多，非常有利于做rag应用。以下以这种特殊场景为例，简要介绍rag处理步骤。已经存在大量faq问答对的场景，将数据过滤索引后，很容易接入rag系统，进行问答改造。此外，这类问答场景中，客户问题一般也具有某种共性，可以提取一些

最近两年大模型很火，它在各个行业的应用也在逐渐推进。作为一个开发人员，学会推理部署大模型，是必要的，今天主要说下大模型推理以及部署。本文以qwen2.5-0.5B模型为例，介绍了它的本地调试过程，同时也介绍了它的模型部署过程，介绍过程比较简单。大模型推理过程这里还有很多可以做的，比如有些深度思考模型，思考内容和正文在一个字段的，可以在推理层，将两者分开。此外，如果需要适配其他硬件GPU，还需要对v

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

AI coding越来越火，相关的工具也也越来越成熟，程序员好像距离失业越来越近了。但是好的工具还是要学习的，这里介绍下LSP，主要之前有些AI coding工具，让人很困惑，比如仅仅支持某些语言，LSP这个工具就是让AI更好的理解代码的，能够更好地进行AI辅助编程。LSP即（Language Server Protocol），是一种标准化协议，用于：在 编辑器（Client） 与 语言服务器（S

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。

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

现在没有软件开发工程师不知道codex和claude code的，大家可能都会疑问，到底应该做选型呢，两者各自的优势是什么，今天简要探讨下。codex和claude code都是不错的ai coding工具，可以根据具体的需求进行切换使用，当然如果精通一个工具也是可以的。参考文档。

随着大家使用ai coding的程度越来越深，通过ai聊天的方式进行ai coding，越来难以满足大家的开发需求，主要原因是：1、上下文爆炸2、prompt能力差异大3、模型切换麻烦4、自动化能力差于是，多agent模式协作ai coding就应用而生。ai协作范式，从聊天窗口到多agent编排，是一个大趋势。现在程序员手写代码的地方，不多了，所以尽可能地使用复用的agent，是拉齐大家ai c