摘要：本文介绍基于RAG技术的智能客服系统架构，包含用户、知识管理员和系统管理员三大角色，涵盖查询、知识检索生成、知识更新等核心功能模块。系统采用RAG技术实现本地知识库检索与智能响应生成，并附完整PlantUML脚本。同时提供大模型学习资源包，包含路线图、书籍、视频教程等内容，帮助掌握AI技术应对就业变革。资料由清华大学-加州理工双料博士团队研发，适合不同基础的学习者提升AI技能。

本文详细介绍了为内部研发平台接入Agent开发能力的一周实践。采用Faas+Next.js+React技术栈，基于LangGraph构建状态图实现Agent核心逻辑。重点优化了系统提示词（角色设定、XML格式、示例few-shot）、知识库建设（RAG）和工具接入等关键技术。通过工具结果缓存和上下文压缩机制有效降低token消耗，解决了连续对话和上下文管理等难题。文章提供了完整的技术实现方案，对自

最近马斯克在一段视频中说过一句话，让人印象深刻：“AI抢走的是什么？AI抢走的从来都不是工作，而是人生的意义。技术迭代从未停歇，从计算机到互联网，再到如今的AI、大模型，每一次变革，都会引发焦虑和恐慌，但最终，都会推动人类社会向前发展。对程序员来说，AI不是对手，而是助力；不是威胁，而是机遇。AI时代，管理的核心，依然是“人”；职场的核心，依然是“自身的核心竞争力”。当AI承担了机械、繁琐的工作，

前端页面：基于Google开源框架Mesop构建，是用户与Host Agent交互的入口，操作简单，无需复杂前端基础，新手也能快速部署。Host Agent（主控代理）：整个协作流程的“大脑”，负责接收用户的请求，解析需求后协调、调用对应的Remote Agent完成任务。Remote Agent（远程代理）

一提到程序员，大家脑海里总会浮现出一串固有标签：“35岁焦虑”“高薪体面”“技术内卷”“格子衫标配”“头发日渐稀疏”。在这些标签中，“高薪”无疑是最亮眼的一个，也是程序员个人技术价值最直接的市场定价。但随着AI技术的飞速崛起，程序员群体普遍陷入“AI替代危机”与“技术内卷加剧”的双重困境，曾经的“百万年薪梦”，早已不是靠堆砌代码行数、重复基础开发就能实现的——甚至，程序员亲手参与创造的AI，可能会

前面我们反复提到“函数注册”，这是Function Call的前置条件，也是很多小白和新手程序员容易困惑的点——这里明确一点：把函数注册到模型中，并不是把函数永久写入大模型的训练数据，而是在每次会话或每次调用模型时，把函数的定义信息临时传递给大模型，让它在当前场景中“记住”这些函数，从而实现正确调用。核心定位：Function Call是大模型与外部工具、系统交互的桥梁，让大模型从“问答机器”进化

本文深入探讨AI Agent的构建模式与应用场景。首先通过旅行规划示例说明AI Agent具备自主调研、推理、执行和适应能力，区别于传统LLM的线性工作流。文章对比了Agent与工作流的区别：工作流适合确定性任务，而Agent更擅长处理复杂、动态的任务。AI Agent的核心组件包括LLM（决策大脑）、工具（能力扩展）和记忆（上下文保持）。文中介绍了ReACT框架和多Agent系统等构建模式，强调

本文介绍了作者利用RAG（检索增强生成）技术构建高校信息问答机器人的实践过程。通过RAG技术，系统能够从本地可靠数据源检索相关信息，而非依赖网络数据，解决了大模型数据过时和幻觉问题。文章详细阐述了RAG的核心流程：数据预处理（Embedding）、相似度检测、重排（Rerank）和最终生成回答。作者使用开源工具RAGFlow快速搭建系统，包括配置模型、处理数据集（解析、分块、提取和嵌入）以及创建聊

本文介绍了作者利用RAG（检索增强生成）技术构建高校信息问答机器人的实践过程。通过RAG技术，系统能够从本地可靠数据源检索相关信息，而非依赖网络数据，解决了大模型数据过时和幻觉问题。文章详细阐述了RAG的核心流程：数据预处理（Embedding）、相似度检测、重排（Rerank）和最终生成回答。作者使用开源工具RAGFlow快速搭建系统，包括配置模型、处理数据集（解析、分块、提取和嵌入）以及创建聊

摘要：MCP（Model Context Protocol）为智能体提供了连接外部资源的统一方式，但智能体仍面临两大核心问题：上下文爆炸和能力鸿沟。Agent Skills应运而生，通过渐进式披露技术，分层次加载知识（元数据、技能主体、附加资源），解决了智能体“能调用工具但不会用”的痛点。Skills与MCP形成互补架构：MCP负责连接能力，Skills提供程序性知识和最佳实践。企业级智能体需采用