结构化输出既能约束工具调用参数，也能规定模型最终回复的格式。本文通过同一个联系人案例，梳理 OpenAI、DeepSeek 的接口能力，以及 LangChain 的策略选择、解析校验与实际调用路径。以前，我知道 Function Calling 可以严格规定函数参数，却以为模型最后回复的 text，只能通过提示词要求它“尽量输出 JSON”。后来我发现，从“请按 JSON 回答”到“按 Schem

本文探讨了开源项目ragflow中MCP调用体系的两个关键提示词。高级推理代理提示词通过分解复杂问题为可验证步骤，确保执行精准，其优势在于任务拆解颗粒度精准、工具使用规范明确和结果导向流程设计，但存在缺乏搜索优先级引导、信息足够判断标准不明确等问题。信息提取模块提示词专注于从搜索结果中提取关键信息，优势在于严格限定提取范围、输出格式二元化和目标导向流程设计，但需优化权威来源优先规则、部分相关信息处

MCP-Universe 就像一面镜子，照出了当前 LLM 工具能力的 “真相”：我们以为的 “会用工具”，只是 “会按按钮”，但真实世界需要的是 “会选工具、会调参数、会处理意外” 的综合能力。论文结尾那句其实很扎心：“即使是 GPT-5 这样的顶级模型，在真实 MCP 环境下的表现，也远没达到实用要求。” 但这不是坏事 —— 只有明确了差距，才能找到前进的方向。毕竟，AI 要帮人类干活，先得在

“调个参而已，怎么比谈恋爱还难？” —— 来自一位深夜跑崩显卡的程序员当你面对一个预训练好的大模型（比如GPT、LLaMA），想让它成为你的专属“打工人”，微调（Fine-tuning）就是必经之路！但微调不是无脑调参，选对方法能让你事半功倍，否则……显卡可能会原地爆炸💥。今天我们就来聊聊：全参数微调 vs PEFT，增量预训练 vs 指令微调，以及如何用HuggingFace的工具优雅“偷懒”

根据任务选预训练模型（

摘要： 传统AI存在“灾难性遗忘”问题，学习新知识时会覆盖旧知识。嵌套学习（NestedLearning）通过分层记忆机制解决这一难题，将AI模型分为快、中、慢多层，分别处理即时信息、短期经验和核心知识。基于此理论的Hope架构进一步引入连续记忆系统（CMS），使AI能动态调整学习策略，显著提升性能。实验显示，Hope在长文本理解和持续学习任务中表现远超传统模型，遗忘率仅7%。这一技术有望推动个人

这一篇就来拆这条日志本身。它是整个系统里——模型看到的历史、界面上的气泡、排错用的时间线、崩溃后的恢复、子 Agent 的分叉，全都从它长出来。

这是真正把"随机行为"变成"确定行为"的关键。入口前置条件（precondition）：开工需要的输入满足什么？不满足就立刻 fail-fast，并把错误归因到正确的上游——而不是带着烂输入往下跑，让 pivot 去莫名其妙填 NaN。失败时的契约行为（failure behavior）：产不出正常输出时，固定做什么？停、降级、返回标记过的空、还是用上次缓存顶上？这件事必须写死。出口后置条件（po

大多数团队在做这类系统时，往往会埋头堆 Skills、堆 Tool Call，直到某一天 Token 爆炸、或者主 Agent 在长任务中后期开始出现幻觉——即：用静态 Agent 解决 80% 的确定性工作流，仅在遇到无法覆盖的边际场景时，允许主 Agent 尝试"动态组装"并输出一个。的板块（如：数据抓取、财务建模、合规审查）直接封装成固定的 Sub-Agent，主 Agent 仅作为路由进行

约 3500 字 · 阅读需 8 分钟。