后端标签_龙虾开发者社区

后端

上下文工程：从 KV Cache、Skills 到长程 Agent 的实战思考

本文探讨了AI Agent开发中的上下文工程与Harness架构的长期价值，结合《AI Agent Book》第二章的核心观点与作者实践经验展开分析。文章首先反驳了"大模型能力提升将使Harness淘汰"的观点，指出上下文质量、物理成本和信息利用效率三大因素决定了其持久必要性。随后深入讲解了KV Cache机制对工程实践的影响，列举了动态改写系统提示等四个常见反模式，并提出冻结静态前缀与追加动态信

 iiTzMarvin
2026-08-18 10:52:38

 371

 11

#人工智能 #架构 #后端
AI Agent 架构设计与多 Agent 协作系统搭建：权限边界应该划在哪里

Agent 可以理解请求，但不该拥有数据库或基础设施的最终操作权。若工具层没有单独校验身份、资源范围和动作类型，模型生成的调用参数就可能越过预期边界。Prompt 只能帮助模型理解任务，不能充当安全控制。面对提示词注入和模型输出波动，授权判断必须留在模型之外。一旦给 Agent 挂上了真实系统的 Tool Calling 权限，权限边界到底该划在哪里？

baronbool
2026-08-17 21:30:47

 4274

 6

#AI #人工智能 #后端 +2
AI Agent 架构设计与多 Agent 协作系统搭建：模型输出异常时的降级边界

设计高可用 Agent 架构的关键，在于当模型输出异常或遭遇网络故障时，系统能够保持稳定且符合预期的运行逻辑。依赖远端 API 始终稳定是不切实际的。通过设置严格的 Timeout 缩减无效等待，借助熔断器割断异常流量，利用本地 Schema 校验和备用模型组建多层防护，再结合静态规则保底，才能提升 Agent 系统在生产环境下的抗风险能力。

baronbool
2026-08-16 23:34:11

 2966

 7

#后端 #golang
Python 原码、反码、补码详解

计算机使用补码表示整数，补码统一了加减运算，消除了±0歧义，并扩展了负数表示范围。正数补码与原码相同，负数补码为反码加1。补码运算中，减法转换为加法处理，溢出通过进位判断。相比原码和反码，补码简化了硬件设计，是现代计算机整数运算的标准方式。Python等高级语言也模拟补码行为进行位运算。

weixin_44761143
2026-03-26 10:53:49

 427

 10

#python #开发语言 #后端 +2
【大家的项目】[开源] Tirea 0.4 — Rust AI Agent 框架，同时服务 CopilotKit + Vercel AI SDK，多智能体编排开箱即用

多前端生态兼容：一个二进制同时服务 CopilotKit（AG-UI）和 React（AI SDK v6），零胶水代码。Human-in-the-loop：按工具粒度 Allow/Deny/Ask，暂停 → 审批 → 恢复。多智能体编排：本地 + 远程（A2A），支持协调者/流水线/并行扇出/层级/生成-批评模式。Skills + MCP：技能包运行时发现激活 + 任意 MCP 工具自动注册。Gi

Rust语言中文社区
2026-03-19 21:02:24

 112

 1

#开源 #rust #人工智能 +2
Agent Framework 中智能体的Group Chat（群聊式协作）编排模式

在该模式下，多个 Agent 会基于一个对话管理器（GroupChatManager）进行协作，通过对话的方式共同完成任务。Group Chat 是一种多 Agent 协作编排模式，通过对话管理器（GroupChatManager）控制多个 Agent 按一定策略参与对话，从而共同完成任务。上节我们讲到了 Agent Framework 中的 Handoffs 编排模式，这种模式适用于需要多个 A

dotNET跨平台
2026-05-13 07:58:54

 81

#flask #python #后端 +1
Python AI 基础设施演进：从 Jupyter 到 Script 到 MLOps

Python AI 基础设施从 Jupyter 到 Script 到 MLOps 的演进，反映了 AI 工程化从实验到生产的成熟过程。2026 年的趋势表明，AI 基础设施正在向更大规模、更高性能、更安全合规的方向发展。Jupyter 适合快速验证，但不适合生产。尽早进行 Script 化重构，建立可维护的代码基础。Script 化是工程化的第一步。通过函数抽象、配置管理、错误处理和类型注解，提高

 baronbool
2026-07-28 13:34:00

 5402

 7

#后端 #golang
比 iTerm2 更适合 Claude Code/Codex 的终端，我换成 Ghostty 了

如果只是想换个好看的终端，iTerm2 也能调主题和透明度。Ghostty 更适合类似我这种适用场景的朋友：每天在终端里跑 Agent、测试、日志，想要原生窗口、默认分屏、可读配置和更轻的长输出体验。如果你也想体验的话，不如先用默认配置跑一天，再改字体和主题；分屏用顺了，再考虑 Quick Terminal。

依昶
2026-07-06 14:21:58

 235

 5

#后端 #开发语言
Python 数据管线事故复盘：为何一个脚本错误影响了全链路

这次事故根因是"数据操作缺乏防御性编程"和"DAG 依赖缺乏容错"。修复分三层：代码层（所有数学运算加除零保护、空值检查）、管线层（强依赖和弱依赖分级）、流程层（上线前必须跑全量数据测试）。最关键的认知：数据管线不是"Script 的集合"，而是"数据产品的生产线"。生产线上的任何一个环节都要有"部分降级"的能力——断了一条辅线，主线还得跑。

baronbool
2026-07-25 01:24:38

 3053

 21

#后端 #golang
毕业设计：基于Python智联招聘数据推荐系统（源码）

本文介绍了一个基于SpringBoot+Vue的物业管理系统毕业设计项目，采用前后端分离架构，包含完整的源码和论文。系统实现了物业管理核心功能模块，包括业主管理、收费管理、报修管理、设备管理等。技术栈采用SpringBoot3+Vue3，数据库使用MySQL，通过RESTful API进行数据交互。项目亮点包括：1）完善的权限管理系统；2）可视化数据统计报表；3）响应式前端设计；4）完整的文档说明

 csdnFIRE
2026-03-26 08:30:00

 1167

 20

#后端 #python #flask +1
千问利用整理形态中的上升旗形买入，当股价跌破5日均线时卖出，编写一个能在JoinQuant量化交易平台上运行的交易策略，要求编写Python代码。

以下是在 JoinQuant（聚宽）量化交易平台上运行的 Python 交易策略代码，该策略基于上升旗形整理形态进行买入，并在股价跌破5日均线时卖出。过去 N 日（如 10 日）内存在一段快速上涨（例如涨幅 > 15%）log.info(f"买入 {stock}，识别到上升旗形")如需加入多因子过滤、动态仓位、止盈机制等，可进一步扩展。需要我帮你加上止盈或多股票分散持仓功能吗？#

稚辉君.MCA.P9.JAVA
2026-03-08 08:50:31

 218

 2

#python #分布式 #云原生 +2
用 LLM Agent 重构告警排查流程｜得物技术

告警排查需频繁切换日志、APM、链路追踪等多个平台，耗时 10～30 分钟，且高度依赖个人经验。我们做了 Troubleshooter——用 LLM Agent 自动完成数据采集、根因分析和处置建议生成。上线后中位数排查耗时从 20 分钟降到 4.4 分钟，覆盖 11 个服务和 10+ 种告警类型。

得物技术
2026-06-04 14:54:56

 994

 5

#人工智能 #后端 #java +1
企业协作 Agent 设计：会议纪要、任务分配和进度跟进的自动化

企业协作 Agent 的核心价值是"信息搬运自动化"——把聊天记录里的决议变成会议纪要，把口头分配的任务变成 Jira Ticket，把零散的消息变成结构化的周报。技术实现上，意图识别要多路协同（规则 + NER + LLM），按置信度分级自动化处理。工程上最容易被忽略的是"去重"和"冲突处理"——信息源有天然冗余，Agent 需要能识别"同一条任务在三个群里被讨论"而不是创建三个重复 Ticke

baronbool
2026-07-24 13:58:44

 4829

 30

#后端 #golang
Agent 多租户隔离设计：不同客户的任务别混在同一个上下文里

多租户隔离的四个核心：数据操作必须带 TenantID、上下文存储按租户分区、任务配额按租户限制、成本统计按租户独立。实施策略：先用 Context 传递 TenantID 的统一入口模式，再逐步加固数据层和资源层的隔离。隔离做得越早代价越小——等到数据混了再拆分，比脏了再洗难十倍。

baronbool
2026-07-14 10:24:10

 4747

 35

#后端 #golang
医疗票据OCR识别是什么？发票/报告单自动识别原理 + API接入实战（附Python/Java示例）

医疗票据OCR识别技术通过图像识别实现医疗票据的自动化处理，可识别发票、报告单等各类票据，提取姓名、金额等结构化数据。核心应用包括医疗报销、医院数字化归档等场景，但面临版式复杂、图像质量差等技术难点。实现方式包括在线工具和API接入，其中API适合企业系统集成，支持批量处理和高并发。文章提供了Python和Java的API调用示例，并建议根据使用场景选择合适的解决方案。医疗票据OCR能显著提高效率

 weixin_40809967
2026-04-09 09:33:13

 482

 8

#python #java #后端 +1
Python 企业数据报表自动化：多源数据聚合和定时分发方案

企业数据报表自动化的核心是"ETL + 模板引擎 + 多渠道路由"的三段式 Pipeline。Python 生态中 Pandas 做数据转换、Jinja2 做模板渲染、APScheduler 做定时调度，是性价比最高的组合。工程上三点需要注意：每个数据源独立容错（一个挂了不拖累全局）、定时任务的幂等性（分布式锁防止重复执行）、以及报表异常时的降级输出（部分数据缺失也要生成，而不是返回 500 错误

 baronbool
2026-07-24 14:16:14

 5211

 12

#后端 #golang
Spring让Java慢了30倍，JIT、AOT等让Java比Python快13倍，比C慢17%

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能。基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBA

Java基基
2026-03-09 11:55:43

 334

 6

#java #spring #后端 +1
Node.jsvsPython：后端技术栈选择对比

很多时候，选 Python 是因为“我们团队就会这个”，或者选 Node.js 是因为“前端技术栈统一”。这些理由并不荒谬——它们代表了你现实中的约束条件。但如果你能跳出约束，从业务本质出发，上面的框架会帮你找到最“不坏”的答案。

searchboy2025
2026-07-07 01:10:13

 64

#node.js #后端
从 Agent 编排到 Skill Runtime：企业 AI 工程化的下一层抽象

很多流程编排，本质是在补旧模型的短板。模型不会稳定拆任务，你写一个任务拆解节点；模型不会稳定选工具，你写一个工具路由节点；模型总结不稳定，你写一个反思和重试节点。可一旦新模型原生具备更好的推理、规划、工具使用和上下文理解能力，这些手写节点就可能被模型能力覆盖，甚至新模型做得比你那套固定编排更自然。于是问题出现了：你花很多时间沉淀下来的，不一定是企业长期需要的业务资产，而可能只是某一代模型能力不足时

 luguochang
2026-05-21 18:15:19

 486

 12

#人工智能 #大数据 #后端 +2
curd如何与agent结合

curd怎么与agent结合

 liu_shengling
2026-07-04 21:53:35

 359

 7

#后端
Foundry IQ + Foundry Agent：从知识流到企业级 Agent

今天这篇文章，我给大家介绍 Microsoft Foundry 平台上的两个重要组件：`Foundry IQ` 和 `Foundry Agent Service`，以及如何把它们串接起来，让 `Foundry IQ` 为 Agent 提供知识层。如果你对下面的问题有疑问：

大靠山
2026-04-22 21:34:50

 433

 9

#flask #python #后端 +3
agent项目亮点总结

定义了一个（bridge）网络，5 个服务都挂在这个网络上，容器内可以用（例如。

Yummyyyyh
2026-04-05 14:49:50

 597

 16

#rabbitmq #后端 #python
Agent——6.工具调用

工具调用（Tool Calling）可以理解为让 AI 大模型借用外部工具来完成它自己做不到的事情。跟人类一样⁠，如果只凭手脚完成‌不了工作，那么就可以利用工具箱来完成‎。工具可以是⁠任何东西，比如网页‌搜索、对外部 API 的调用、访问外‎部数据、或执行特定‌的代码等。比如用户提⁠问 “帮我查询上海最‌新的天气”，AI 本身并没有这些知识，它‎就可以调用 “查询天‌气工具”，来完成任务。

灞波儿奔798
2026-06-28 12:01:58

 514

 11

#java #后端 #spring
Agent 上下文压缩策略：长对话下的记忆裁剪与摘要

长对话下 Agent 需要上下文压缩保持质量。三层记忆架构：工作记忆、摘要记忆、长期记忆。滑动窗口保留最近对话，旧对话压缩为结构化摘要。压缩时提取关键实体和决策，避免信息丢失。Token 消耗从 O(n) 降为 O(k)，k 为窗口大小。

baronbool
2026-07-09 08:07:32

 7525

 13

#后端 #golang
Microsoft Agent Framework – AI 构建基石（第三部分）

在每次 Agent 调用之前搜索你的 VectorData 存储，将相关文档作为额外上下文提供——就像第二部分中的 RAG 模式一样，只不过现在它会作为每次 Agent 交互的一部分自动运行。可以把它们看作是 AI 的工具使用说明书。它能够对任务进行推理，决定使用哪些工具，调用这些工具，评估结果，并决定下一步该做什么——所有这些都无需你为每个场景编写明确的逐步指令。，以及它如何为 Agent 提供

 dotNET跨平台
2026-05-11 07:45:48

 156

#microsoft #人工智能 #flask +2
手写一个最小 ReAct Agent（50 行代码）

这篇文章介绍了一个50行Python代码实现的简单ReAct Agent，用于处理天气查询任务。要点包括： ReAct原理：通过"推理-行动-观察"循环，让模型逐步完成任务核心实现：两个工具函数：获取城市代码和天气信息主循环逻辑：模型输出指令→执行工具→观察结果→循环关键设计：模型只输出指令，代码负责实际工具调用完整记录对话历史，形成闭环设置双重终止条件（模型主动结束/最大步数限制）

我吃小朋友318
2026-08-01 23:18:58

 360

 2

#java #后端 #人工智能
AI Native 国内气象数据平台：从 AGENTS.md 到 Rules、Skills、Sub-Agent 的完整工程治理体系

如何让 AI 长期理解这个项目，知道哪些事情绝对不能做，知道不同场景应该遵循什么规则，并且即使换一个模型、换一个 Agent，项目的核心知识和工程约束也不会丢失。一句话就是说：AI 文件负责告诉 Agent 应该怎么做；测试、CI、Hook 和系统约束负责确保它真的这么做。

星辰_mya
2026-08-12 22:22:46

 331

 4

#人工智能 #AI #java +2
当 AI Agent 攻陷网关：Istio agentgateway 与 Gateway API Inference Extension 实战解析

# 当 AI Agent 攻陷网关：Istio agentgateway 与 Gateway API Inference Extension 实战解析![AI Agent 网关](https://picsum.photos/seed/17865258661262/800/400)> 2026

人间凡尔赛
2026-08-12 17:11:07

 287

 7

#后端 #架构 #云原生
Python Agent 镜像怎么瘦：Poetry 锁依赖与多阶段构建

在 AI Agent 工程开发中，Python 环境的依赖冲突是常见挑战之一。若缺乏严格的依赖锁机制，上游开源依赖库的微版本变动容易导致 CI/CD 自动化构建阶段因依赖不兼容而中断。更夸张的是 Docker 镜像体积。因为引入了 PyTorch、Transformers、LangChain 和各类 C 扩展，打出来的镜像动辄 10GB+，往 Kubernetes 集群发一次版光拉取镜像就要耗费一

 baronbool
2026-08-12 16:47:10

 4923

 3

#后端 #golang
AI Agent 架构设计与多 Agent 协作系统搭建：让结论进入下一次检查清单

引入基于uv评估维度治理前 (粗放依赖管理)治理后 (uv Lock + ADR 门禁)Docker 镜像构建耗时4 分 15 秒18 秒(缓存与 uv 极速复用)生产环境版本漂移事故频繁存在风险零版本漂移 (固化 Sha256 Hash)镜像文件体积1.2 GB240 MB(多阶段构建剥离编译依赖)依赖规范性缺乏统一选型标准基于 ADR 标准化管控构建 AI Agent 系统时，应当先通过强依赖

 baronbool
2026-08-11 15:56:36

 4996

 4

#后端 #golang
程序员如何用 AI Agent 完成一个真实开发任务：从需求分析到代码审查

这篇文章探讨了如何有效利用AI Agent完成真实开发任务的全流程，而非仅作为代码生成工具。作者以"用户列表增加账号状态筛选"这一常见需求为例，系统演示了六个关键阶段：需求澄清与验收标准制定、项目上下文调查、最小改动方案设计、分阶段编码实现、验证与测试、独立代码审查。文章强调AI协作的核心在于提供完整上下文、明确验收标准、拆分可验证的小任务，并要求AI为结论提供证据。最后总结了使用AI Agent

阿泽java
2026-08-11 09:14:10

 248

 7

#人工智能 #需求分析 #spring cloud +3
AI-Meeting项目复盘

这篇文章详细复盘了一个AI模拟面试系统"码上面试"的项目架构与核心设计。作者首先分享了自己的学习方法论，强调通过AI辅助的实时总结和语言表达训练来提升学习效果。文章重点剖析了项目的工程化设计思路，主要包括：状态机和规则链驱动的核心答题流程，确保面试流程有序推进 Redis+MongoDB的热冷数据分层架构，解决长会话状态管理问题 WebSocket+Pipe+增量组装实现实时语音转写分布式S

2601_95160117
2026-08-10 13:26:31

 520

 16

#java #后端