登录社区云,与社区用户共同成长
邀请您加入社区
RAG 是 Agent 系统中最常见的能力之一。很多人会问:RAG 是不是 Agent?RAG 和 Skill 什么关系?简单说:RAG 本身不是 Agent,但可以被封装成 Agent 的一个 Skill。
Agent Demo 通常只关心“能不能跑通”,但工程系统必须关心“为什么失败、哪里慢、哪个 Skill 常出错、任务是否完成”。没有日志、监控和评估,Agent 系统就是黑盒。
先说我是谁。Java写了6年,Go写了2年,去年32岁,从一家外包公司辞职,全职转AI Agent开发。
从 Demo 到生产,AI Agent 最容易在任务幂等、权限过滤、工具契约、人工确认、失败恢复、结果回写和业务指标七个环节出问题。本文给出一份可直接执行的生产化检查清单。
本文系统地介绍了大语言模型(LLM)中Skills的设计方法与最佳实践。Skills是将模型能力封装为可复用、可组合模块的关键设计单元,包含元信息、输入输出定义、处理逻辑和错误处理等结构化组件。优秀Skills设计需遵循单一职责、输入输出明确、容错降级和可测试等原则。文章详细阐述了Skills的标准结构、设计流程(明确边界→梳理输入输出→编写逻辑→设计测试→迭代优化),并指出职责过重、指令模糊等常
在实际使用中,我们往往需要反复告诉 Agent 固定 SOP、项目背景、工具习惯和输出格式。这些信息不应该每次重新解释,但同时也不应该被无脑、扁平地全部塞进上下文。
小明自驾回家,为节省旅途成本,决定在网上挂出顺风车服务。有需要的乘客可自行申请服务,由小明决定谁能搭乘顺风车。请设计程序帮助小明将顺风车收益最大化,并返回最大的顺风车收益。路线统一采用数值表示,小明的起点为 0,终点为 n。
前面我们梳理了 LangChain、AutoGen、CrewAI 等 Agent 工程框架,很多人初次接触完全搞不懂 ReAct 到底是什么、为什么要推理加行动;再加上市面上还有 CoT、ToT、Reflexion 等一大堆思考模式,本篇从头拆解前因、通俗讲透 ReAct 内核,完整盘点所有主流推理范式,统一沿用之前大厨下厨比喻,零基础也能看懂,附带优缺点、场景、代码、技术链路归档。
在多智能体系统中,任务分配是一个核心问题。有效的任务分配能够:* 最大化系统整体性能* 平衡各Agent的工作负载* 最小化任务完成时间* 优化资源利用率
某数据中心记录了连续 N 小时内每小时的服务器负载得分,记录在数组 scores 中;0 表示该小时无效(服务器故障)。现在需要选择连续 W 小时的窗口作为最佳维护窗口,满足如下规则:第1点:窗口内不能包含无效小时。第2点:窗口的负载得分总和最小;若存在多个总和相同的窗口,选取起始小时最早的窗口。
在通信系统中,有一组数据包需要按顺序通过 k 个通道传输。每个数据包 i 的传输耗时为 nums[i](单位:毫秒)。传输规则:
_new__负责“生”(创建实例)__init__负责“养”(初始化属性)先__new__,后__init____new__返回啥,__init__才有机会干活普通类一般只写__init__;特殊需求才动__new__✅绝大多数情况下,你只需要重写__init__。只有当你需要控制对象的创建过程(如单例、元类、不可变对象等)时,才需要自定义__new__。
/ ===== 功能函数:真正干活的代码 =====// 给用户实时反馈(Agent 任务可能很耗时,用户需要感知进度)console.log(`[工具调用] read_file(${// ===== 功能函数:真正干活的代码 ===== const content = await fs . readFile(filePath , 'utf-8');
Python 和 JavaScript 变量赋值区别
目前大家虽然关注Agent Harness,但目前公开材料对于这些对比比较缺乏,感觉不少人也没有关注过这些方面,所以在想做一个系列来进行一下横向对比。
【代码】codex-cli 配置。
张老师组织了一场线上模拟考试,并要求考生使用学号登录网站进行考试。考试完成后张老师发现试卷提交不全,他需要找到哪些同学没有交卷。
好的架构是做减法做出来的,不是做加法。Agent 框架的核心就那 40 行代码。剩下的都是围绕它做稳定性增强、可观测性、扩展性。不要一上来就想搞个大而全的框架——先让核心跑通,跑稳,再逐步加特性。我的建议:今天就花半小时,照着上面的代码敲一遍。跑通之后再回来看看这篇文章的踩坑记录——你会发现很多坑我已经帮你踩过了。等核心跑通了,你会对 Agent 的理解上升一个层次。比干读十篇论文都管用。下一篇我
在一款游戏中,炸弹人技能效果是预埋地雷。当敌人从地雷上走过时会触发地雷爆炸造成伤害。当一个地雷被引爆时,在一定距离内相邻的地雷也会被引爆,这些能够同时引爆的地雷形成一个雷区。一个雷区可以由一枚孤立地雷组成,也可以由一片有连锁爆炸反应的多枚地雷组成。
某地面光伏电站按区域划分为多个子阵。每个子阵的发电能力有明确约束:发电能力上限 max_capacity发电能力下限 min_capacity基准发电量 base_generation
系列:100 天系统学习 AI Agent 开发当前阶段:OpenAI Agents SDK 主线今日目标:OpenAI Agents SDK 的核心路径是定义 Agent、运行 Agent,再逐步加入工具和协作。
是一个开源的 API 渗透测试自动化框架,其核心工作链路为:浏览器登录 → Katana 爬虫 → 数据清洗 → JS Source Map 提炼 API → AI Agent 智能分析补全参数 + 发现隐藏端点 → 接口未授权测试 → 越权测试 → SQL 注入测试 → 报告产出API-Pentest 通过JS 逆向分析 + 三层参数补全 + AI Agent 智能分析的创新组合,有效解决了现代
7月初,OpenClaw 创始人,在 X 上说:我们还在聊 loop,还是已经切到 graph 了?没过多久,就有人跟帖喊出「Loop Engineering 已死,Graph Engineering 永生」。
AI Agent的可观测性不仅是技术问题,更是构建可信、可靠、可控AI系统的基石。通过系统化的观测手段,我们能够将黑盒变为灰盒甚至白盒,为AI Agent的大规模应用扫清障碍。
不是 “跳过的条数”,哪怕有新数据插入,只要游标不变,查询范围就不会错。👉 核心原因:游标分页的 “起点” 是。还是上面的场景,结合。
就是 ReAct 的"工作记忆"。它之所以成为 90% 生产级 Agent 的默认架构,就是因为这个"想→做→看"的循环足够通用——不管你的任务是查天气、做研究、写代码还是排查 bug,都可以用这个模式来处理。比如工具返回了一堆 HTML 或者报错的 stack trace,LLM 不知道该怎么理解这个结果,就决定"再试一次"——然后又得到一样的结果——然后又"再试一次"……:给 Agent 提供
从需求、数据模型、资产生命周期和工作流出发,介绍如何用 AI Agent 与 NocoBase 搭建可持续迭代的 IT 资产管理系统。
AI Agent vs 普通对话模型:如何选择与实战指南 普通对话模型仅能单次输出文字,无法自主推进复杂任务(如竞品分析、数据整合)。而AI Agent通过ReAct循环框架(思考→行动→观察)实现任务拆解与工具调用,结合搜索、API、浏览器等工具完成全流程自动化。 核心区别: 普通AI:单向输出,无工具调用能力。 Agent:循环执行,自动补全缺失信息(如财务数据、竞品动态)。 开发关键点: 工
本文介绍了一种利用Codex和MCP工具进行AI辅助JS逆向分析的方法。文章首先详细讲解了环境搭建步骤,包括安装Node.js、Codex和JSReverser-MCP工具链的配置过程。随后通过两个实际案例(猿人学比赛题和某短视频平台参数逆向)展示了该方法的有效性:只需用自然语言描述需求,AI就能自动完成JS逆向分析、补环境、算法还原等复杂工作。整个过程实现了高度自动化,逆向经验可以转化为skil
"问题——模型在"推理(Reasoning)"中生成调用工具的指令,智能体据此"行动(Acting)",将工具执行结果作为"观察(Observation)"反馈给模型,驱动下一轮推理,如此循环。我们看到,这种演进并非简单的"新范式取代旧范式",而是一个分层进化、各安其位的过程:提示词工程解决"激发",ReAct 解决"连接",Workflow 解决"编排",而 Skill则将三者有机融合,通过标准
本文介绍了一个根据项目代码自动生成前端开发简历的工具,能够分析技术栈、功能模块和代码规模,输出专业Word简历。主要流程包括:1) 扫描项目目录结构、分析package.json等技术栈文件;2) 提取代码特征转换为简历素材;3) 使用python-docx生成结构化简历文档。工具强调真实性(仅包含代码中存在的技术)、量化描述(代码行数/组件数等)和专业排版,支持从现有PDF简历提取个人信息。适用
摘要: AgentSkills是Anthropic推出的模块化AI能力扩展标准,通过渐进式提示词管理机制(元数据、指令、资源三层结构)动态扩展Agent功能。其核心特点为按需加载,避免上下文过载,支持自动触发、工具调用与任务执行。开发者可通过标准化目录结构(SKILL.md为核心文件)创建技能包,用户通过对话或工作流调用。该技术将大模型从文本生成升级为任务执行体,解决知识实时性、流程自动化等问题,