摘要： 大模型落地涉及完整技术链路：从Transformer架构理论奠基，到训练框架完成模型训练，再到导出标准化模型文件，最终通过推理框架实现高效部署。Transformer的自注意力机制是核心突破，支持并行处理长文本。训练阶段需掌握PyTorch等框架，关注数据准备与分布式优化。模型文件格式（如Safetensors、GGUF）需与推理场景匹配。推理框架（如SGLang、Ollama）负责加载模

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。

本文介绍了基于MCP协议的Agent Skills技术实现方案，通过原子化技能设计和标准化协议，构建可复用的智能体功能单元。系统采用"技能服务端+Agent客户端"架构，支持技能注册、发现和标准化调用。核心内容包括：1) Agent Skills的原子化、标准化设计特点；2) MCP协议解决技能服务化、调用标准化和生态兼容性问题；3) 开源项目实现，涵盖天气查询、文本摘要等示例

随着 OpenClaw 的火爆，越来越多的开发者想要学习如何为其开发自定义通道。本文通过一个完整的 WebSocket Channel 实例，带你从零开始掌握 OpenClaw 插件开发的全流程。项目代码已开源在 Gitee。

本文从开发者视角详解MCP协议实现，重点介绍HTTP+SSE传输方式下的开发要点。内容涵盖：1）MCP协议核心规范，包括C/S架构、JSON-RPC消息格式和标准错误码；2）依赖协议解析，着重说明JSON-RPC 2.0扩展和HTTP+SSE传输机制；3）完整通信流程，展示客户端与服务端的交互步骤。文章提供可直接落地的技术方案，包含必实现接口的代码示例和异常处理建议，帮助开发者快速完成MCP服务端

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。

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

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

去年底，我帮朋友折腾一个AI Agent，想让它在聊天时能自己调用天气API。本以为是个简单任务，结果发现各家模型“各说各话”：OpenAI有它的Function Calling，Anthropic有Tool Use，国内平台也有自己的实现方式。我甚至需要为不同模型写不同的适配代码。AI Agent调用工具这件事，到底有没有标准？带着这个问题，我调研了几个月，结论可能会让你意外——没有一个像USB

本文介绍了CLI（命令行界面）的核心概念和AI时代下的新要求。主要内容包括： CLI本质：通过输入命令→处理→输出结果的三段式交互模式，与GUI和Web服务形成对比。 CLI组成要素： 子命令体系 参数解析（位置/选项参数） 标准输出/错误分离 退出码机制 帮助文档生成 专业CLI与脚本的区别： 标准化安装运行方式 规范的输出和错误处理 完善的帮助系统 通过pyproject.toml管理依赖和入