本文深入解析了AI Agent服务的启动流程和会话调用流程，聚焦Python模块agentic/的实现细节。主要内容包括： 启动流程：从Uvicorn启动到FastAPI就绪的完整时序，涵盖配置加载、全局单例初始化、SSE连接与工具注册等关键步骤。 核心组件： 配置管理（config.py）读取.env文件 全局单例（Agent、ToolRegistry等）的延迟初始化 MCP客户端通过SSE连接

本文基于AI Agent设计范式的演进路径，重点介绍了Plan & Execute（第二范式）在实际项目中的应用。文章结合理论文章和开源项目nacos-learn-example，阐述了该范式的适用场景（明确多步骤任务、流程可追溯、稳定性需求）和系统架构（四层模块+三阶段流程）。关键创新点包括：增加Validate阶段作为代码门禁、采用外圈代码驱动+内圈LLM驱动的混合模式、同一条LLM通过pro

本文介绍了在老旧游戏本（10年前的惠普暗夜精灵2）上部署本地AI助手的完整方案。通过Ollama+Qwen2.5:3b+Open WebUI的组合，实现了隐私安全、无API费用的本地AI系统。文章详细说明了硬件配置要求（4GB显存GTX 1050 Ti+32GB内存）、Ubuntu系统配置、显卡驱动安装等准备工作，并提供了分步部署指南，包括Ollama安装、模型下载、局域网访问配置和可视化界面部署

本文为Java开发者提供了一份LangChain技术指南，通过类比Spring生态帮助快速理解LLM应用开发。主要内容包括： 技术类比：详细对比LangChain与Spring生态的核心组件，如数据访问层（Prompt模板类比SQL查询）、流程编排层（LangGraph类比状态机）等，提供完整的映射速查表。 发展脉络：梳理LangChain、LangGraph和LangFuse三大技术的版本演进路

AI Agent演进之路：从工具调用到多智能体协作 本文系统梳理了AI Agent的五大核心能力演进阶段：1）Tool-calling作为基础交互能力；2）ReAct范式实现推理与行动的交替循环；3）Plan & Execute分离规划与执行；4）Reflection机制赋予自我反思能力；5）Multi-Agent实现团队协作。每个阶段均配有开源项目案例（如Autono、Eino ADK、Refl

Harness”的本意是马具（缰绳、马鞍等）。这个比喻极其精准：如果把AI大模型比作引擎，Harness就是方向盘和刹车。引擎的马力越大，对方向盘的要求就越高。没有刹车的跑车，马力越强，车毁人亡越快。的核心定义是：设计一套包含约束、工具、验证和反馈闭环的运行环境，让AI在边界内稳定、可靠地完成复杂开发任务。传统DevOps：管理人类开发者的代码。管理AI Agent的代码。区别在于被驾驭的对象从人

最近我们团队做了一个叫 Uni-Index 的项目——一个基于本地文件的文档索引服务。为了让它能和 AI 客户端（Claude Desktop、OpenCode、Trae CN 等）对话，我们决定从零实现 MCP（Model Context Protocol）服务端，而不是依赖现成的 SDK。我们想完全掌控每一行代码，理解协议的全貌。这篇博文就记录了我们"手搓"MCP 的全过程。

最近我们团队做了一个叫 Uni-Index 的项目——一个基于本地文件的文档索引服务。为了让它能和 AI 客户端（Claude Desktop、OpenCode、Trae CN 等）对话，我们决定从零实现 MCP（Model Context Protocol）服务端，而不是依赖现成的 SDK。我们想完全掌控每一行代码，理解协议的全貌。这篇博文就记录了我们"手搓"MCP 的全过程。

本文介绍了一套轻量化GPU监控方案，专为个人深度学习主机和家用NVIDIA显卡设计。针对企业级DCGM方案不适合消费级显卡的问题，推荐使用社区版nvidia_gpu_exporter工具，配合Prometheus和Grafana实现简单高效的监控。文章详细讲解了从环境准备、Docker部署到Grafana看板配置的全过程，重点解决了常见的数据空白、时区错位等问题，并提供了适配消费级显卡的专用看板I

SDD 全称，即规范驱动开发，是区别于传统敏捷、瀑布流的新型开发思想。传统开发是「先编码、后补文档、边写边改」，开发者 80% 精力耗费在手写编码、调试修 bug、对齐需求等重复工作上。而 SDD 模式彻底颠覆了开发者的工作重心，核心逻辑是先定规范、后做实现、迭代落地、全程可追溯。在传统开发模式中，程序员的核心价值是「写代码」，编码速度、语法熟练度、排错能力是核心考核指标。