检索增强生成（Retrieval-Augmented Generation， RAG），简单来说，就是大模型+外部数据。

最近刷CSDN和脉脉时，相信不少程序员和大模型小白都刷到了一则热议帖：一位刚毕业的985硕士，成功拿下百度大模型开发岗Offer，薪资给到30k×16，折算下来年薪将近50万。这则帖子一经发出，瞬间引爆评论区，各方观点吵得不可开交——有人吐槽，百度作为国内AI领域的领头羊，给顶尖高校硕士这样的薪资，未免显得有些保守；也有人理性分析，30k的Base在大厂体系里已经算是很稳妥的水平，毕竟大厂定薪有严

LangChain 和 LangGraph 代表了 LLM 应用开发框架的两个层次：前者追求快速上手和广泛集成，后者强调精细控制和生产可靠性。等企业已在生产中采用 LangGraph，验证了其企业级能力。对于初创项目的快速验证，LangChain 仍是高效起点；对于需要复杂决策流程、多代理协作或严格可控性的生产系统，LangGraph 提供了必要的架构支撑。两者并非互斥选择——从 LangChai

LangChain 和 LangGraph 代表了 LLM 应用开发框架的两个层次：前者追求快速上手和广泛集成，后者强调精细控制和生产可靠性。等企业已在生产中采用 LangGraph，验证了其企业级能力。对于初创项目的快速验证，LangChain 仍是高效起点；对于需要复杂决策流程、多代理协作或严格可控性的生产系统，LangGraph 提供了必要的架构支撑。两者并非互斥选择——从 LangChai

Claude Skills 我的理解就是给大模型的技能工具包，他是可复用的指令包，通过封装团队的工作流程，业务逻辑和领域知识，解决了 AI 缺乏专业知识的鸿沟。它将特定的程序化知识、业务逻辑和执行脚本打包，让 Agent 能像工作流一样较稳定的执行。从使用层面上理解 Skills 是包含指令、脚本和资源的文件夹，供 LLM 可以动态加载，底层采用的是渐进式披露，也就是仅在需要的时候加载技能的详细指

我们可以使用提示词直接约束引导 AI 通过生成文本完成某些事情（commands、SubAgents），也可以给它提供一些工具让 AI 通过生成指定格式的文本，我们帮它调用工具，获得更多信息后 AI 再通过生成文本完成一些相对复杂的任务(Tool Use、MCP、SKills)背景信息介绍已完成，截止到这里如果你看懂了，就说明你已经学会 MCP 和 Tool Use（Function Callin

本文深入浅出地解释了大模型应用中的核心概念，如Agent、Tool、MCP和Agent Skills。文章首先阐述了模型的内容生成和函数调用能力，随后详细分析了Tool作为Function call载体的角色，以及MCP协议在统一不同工具调用中的重要性。重点在于揭示Agent Skills是对Tool能力的进一步封装，简化了技能的复用，使得非技术人员也能轻松使用。通过对比不同概念的层级和角色，文章

随着Manus、Claude Code、Deep Research等AI应用的持续爆火，其底层核心技术——深层代理（Deep Agents）已迅速崛起为AI领域的新风口，成为构建高自主度智能体的关键方向。LangChain官方重磅推出的DeepAgents框架，正是为开发者提供了复现Deep Research类应用体验的标准化解决方案，无需从零搭建架构，就能快速构建适配复杂、多步骤长时程任务的智能

本文深入浅出地解析了大模型的核心概念，包括推理服务的运作机制、Memory如何实现上下文管理、RAG如何通过向量数据库增强知识获取能力，以及MCP和Skills如何赋予大模型工具操作能力。文章还探讨了AI Agent的形成及其与OpenClaw等实际应用的关系，旨在帮助初学者理解大模型的底层逻辑和实际应用场景。它的本质是什么？跟大模型和前段时间很火的skills, RAG, mcp, memory

我们处于AI智能体寒武纪大爆发的早期。Karpathy说得准：正如LLM智能体是LLM之上的新层，Claw现在是LLM智能体之上的新层。OpenClaw证明了概念，轻量级替代方案是生态系统成熟的表现。“像宠物小精灵那样的灵魂附身。不是云服务，不是浏览器标签里的聊天机器人。你家里的东西，知道你的偏好，跑你的差事，随着时间变得更好。这就是这些个人智能体正在构建的愿景。