登录社区云,与社区用户共同成长
邀请您加入社区
用 Go 语言从零构建各类 AI Agent,覆盖 ReAct、Plan-and-Execute、Multi-Agent、Super Agent 等核心设计模式的完整工程实现。
ReAct 循环只解决了"怎么动",没解决"动错了怎么办"。本文补上的用信号驱动 + 阈值收口区分失败形态:瞬时可重试、结构要换路、外部该认输。决策靠信号而非拍脑袋:重复错误、进展停滞、校验失败各自触发对应动作。一切皆有预算:重试有预算、重规划有预算、放弃要可恢复。把它接进你 8 月写好的 Harness 主循环,Agent 就从"会重试的循环"升级成"会思考要不要换路的系统"。下一篇可以继续聊:
本文分析了MCP(Model Context Protocol)协议的衰落与CLI(命令行界面)的崛起。MCP曾是AI工具交互的统一标准,但因四大缺陷而迅速被大厂抛弃:上下文臃肿、架构复杂、安全隐患和被动僵化。相比之下,CLI凭借按需加载、管道组合、原生适配和透明调试等优势,成为AI Agent的首选交互方案。文章还对比了Skill、MCP和CLI的核心差异,并提供了GitHub CLI的安装指南
用 Go 语言从零构建各类 AI Agent,覆盖 ReAct、Plan-and-Execute、Multi-Agent、Super Agent 等核心设计模式的完整工程实现。:第 07 篇我们让 ReAct 引擎跑起来了,但工具是这种最朴素的存法——加一个工具要手写一段注册代码,改个描述要翻三处文件。当工具数量从 3 个涨到 30 个、再到 300 个(想象接 MCP 之后),这种手工作坊式管理
最近两年,AI Agent 几乎成为所有大模型开发者的必学方向。很多同学入门的路径高度相似: 打开 LangChain 文档,复制一段 ReAct 示例,写几句提示词,调用 LLM,封装一个工具,跑通一个简单问答 Demo。模型随意调用高危文件操作 API,存在删库、篡改业务数据的安全风险;任务稍微复杂,Agent 无限循环调用工具,Token 疯狂消耗,服务卡死;上下文越长,模型越容易遗忘前置目
本文揭示了AI Agent的核心运行机制——一个基于while True循环的简单骨架。这个循环包含四个步骤:调用大语言模型、检查工具调用需求、执行工具操作、将结果反馈给模型。所有主流Agent框架(如LangChain、OpenAI Agents等)底层都遵循这个模式,区别仅在于外围功能扩展。文章还指出生产环境必须添加循环次数限制、错误处理和上下文管理等关键要素。最终强调,这个10行代码的循环是
前段时间我做了一个"真东西"——一个同时覆盖Prompt工程全生命周期管理和具备工具调用+RAG+多轮对话的智能Agent的企业级平台。从业务分析、需求拆解、架构设计到编码实现、问题定位、效果验证,全程独立完成。这篇文章不是教程,而是我的实战记录。里面有我踩过的坑、定位问题的思路、以及对AI产品的一些不成熟的思考。如果你也在准备AI相关的项目,希望能给你一些参考。1. 完整的 AI 产品从 0 到
ReAct由Yao等人于2022年提出,其核心是将推理轨迹(Thought)与动作执行(Action)交织在一起。Thought:模型根据当前状态思考下一步该做什么。Action:调用一个外部工具(如搜索引擎、计算器、数据库查询)。:记录工具返回的结果。重复以上步骤,直到得到最终答案(Final Answer)。这种设计让模型能够动态利用外部信息,克服纯参数化知识在时效性、精确性上的局限。我们使用
本文介绍如何用代码在 Polkadot 上创建账户,分别提供 JavaScript/TypeScript、Python、Rust 三种语言的完整实现。文章涵盖 Polkadot 账户的底层结构(SR25519、SS58 地址格式、BIP39 助记词),每个语言版本均包含环境搭建、依赖安装、可运行代码和预期输出,适合希望在 Polkadot 生态中构建钱包、自动化脚本或后端服务的开发者。
当 AI Agent 从内容辅助进入工具调用、系统访问与流程执行,企业关注的重点也从“它能做什么”,转向“它是否值得信任”。ArkClaw 企业版 Agent Identity 基于根身份、组织身份、委托身份与交互身份四层身份模型,为每一个 Agent 构建可验证、可治理、可追溯的可信身份体系,让 Agent 真正具备进入生产系统的信任基础。
项目编号:20260728-006。本文代码、测试、文档与示例数据均为独立编写,不包含榜单项目源码或受限素材。 为什么需要这个工具 解析AI助手消息与工具调用日志,生成按时间排序的事件线、耗时分位数、错误节点清单,并对邮箱和令牌形态文本做脱敏导出。实际开发中,问题往往不在于“能不能写出一段脚本”,而在于输入是否可验证、结果是否可复现、异常是否能定位,以及输出
面试官:你简历里写了最近在看 Agentic RL,也了解过 Search-R1 这类方向。那我问你,Agentic RL 和普通 Agent、Function Calling、ReAct 这些东西,本质区别到底在哪?
本文介绍了在智能Agent中嵌入记忆组件的多种实现方式。通过LangChain框架,分别展示了传统方式和通用方式下的ReAct和function_call两种实现路径。具体包括:1)传统方式使用ConversationBufferMemory存储对话历史;2)通用方式通过自定义提示词模板或使用官方ReAct模板实现记忆功能。文中详细演示了如何初始化Agent、配置记忆组件,并通过连续对话(如查询北
刚刚结束快手的一面,心情真的是一言难尽……怎么说呢,这是我面过最“离谱”的面试,没有之一。
这道题非常有深度,它不是在问一个简单的概念定义,而是在考察你对 Agent 架构设计的实战理解。面试官想听到三个层次的东西:第一,你对短期记忆和长期记忆的定义和区别有没有清晰的认知;第二,你知不知道每种记忆具体怎么实现,背后用了什么技术;第三,也是最容易拉开差距的——你有没有在实际项目中处理过记忆相关的工程问题,比如上下文窗口不够用怎么办、长期记忆怎么存怎么检索。能把这三层讲通,面试官基本就能判定
它每 2 分钟(可配置)运行一次,对当前 L1 会话的全量摘要重新计算与任务全局主题的嵌入相似度,并检测相邻输入之间的语义漂移。所有被淘汰的摘要,其完整内容早已通过 IRI 归档到 L0 持久层,LLM 随时可以通过微工具按 IRI 精确回溯,信息零丢失。在实际的 Gliding Horse 系统中,这些分数会写入 L1 摘要条目,驱动后续的淘汰和压缩决策。该事件会触发一次主动上下文压缩,将旧话题
未来的开发流程里,不会只有一个Agent,而是会形成多智能体协作的生态:不同的Agent有不同的分工,有的专门负责需求分析,有的专注于写后端代码,有的擅长前端页面实现,还有的专门做测试用例生成。面对这个变化,开发者不需要焦虑被替代,反而应该主动拥抱新工具:不用抗拒Agent带来的工作流变化,从简单的任务开始尝试,逐步学会用自然语言定义需求,学会审核Agent生成的结果,让自己从重复的劳动里解放出来
这段代码是一个很典型的显式 ReAct demo:模型负责思考和选择工具,程序负责执行工具和回填 observation,最后由模型基于证据链生成排障报告真正使用 ReAct 时,基础的prompt是固定的,重要的是把工具边界、参数校验、最大轮次、成本控制、审计日志和证据链做好。
帮我订一张明天从北京到上海的高铁,早上8点左右,二等座。这一句话,系统要完成20个步骤:先判断你是要订票还是查班次(判断错了就返回时刻表而不是付款链接),再识别出"北京"指的是北京南站不是北京站(高铁主要从南站发车),再把"早上8点左右"解析成06:00到09:30这段时间范围……任何一步出错,要么系统多追问你两轮,要么给你订了一张退不了的错票。
面完出来我在地铁上坐过了三站。不是难过,是脑子被掏空之后的那种呆滞。面试官揪着“记忆”这一个点,换了六种姿势盘问我,我差点以为自己没长脑子。
Skill 能给 Agent 增加新能力——这话没错,但解释的是现象,不是原理。>> 站在**LLM 底层交互协议**的角度,整个过程会清晰很多。
最早动手时,我们对"Bounded Context"的理解停在概念层。会话(Session)、工具(Tool)、审计(Audit)都放在一个 service 里,靠函数调用区分。第一个月运行没什么问题,第二个月工具调用加了审批流程,要改 Session 状态机,同时改审计写入时机,一次改动影响了三个方向,回归测试全部要重跑。
上一篇我们把 Agent 记忆拆成了工作记忆、短期记忆和长期记忆。继续往下走,问题会变得更锋利:**如果长期记忆不只是被读取,还会被 Agent 修改,系统还能不能可信?
完成了工作流的构建:首先创建 UppercaseExecutor 和 ReverseTextExecutor 两个执行器实例,分别保存为 uppercase 和 reverse;然后以 uppercase 作为工作流起点,在 uppercase 和 reverse 之间建立执行顺序,使 UppercaseExecutor 的输出作为 ReverseTextExecutor 的输入;在 Agent
【代码】Spark算子 - Python。
如今,智能客服Agent早已不是简单的自动回复工具,而是能自主理解意图、调用工具、闭环解决问题的业务智能体。但很多企业落地后都面临同一个难题:怎么判断自家的客服Agent是真好用,还是“看起来能用”?
Python与JavaScript核心差异速查表
字体,大小,内容在表格中的位置,字体颜色,表格填充色,都可以直接在代码中实现1、直接看代码。
先把这篇文章的目标说清楚:看完之后,你应该能判断这件事值不值得做,以及从哪里动手。最近我在复盘几个自研 Agent 项目时,发现了一个极其反直觉的现象:那些在 Jupyter Notebook 里跑得分毫不差的“完美 Agent”,一旦接入生产环境的 API 和数据库,立刻就会因为权限不足、日志缺失或者上下文溢出而彻底崩溃。很多开发者甚至包括我自己,在初期都陷入了一种“组件堆砌”的误区。
很多人第一次做 Agent 记忆系统,会很自然地从向量库开始:把对话切块,做 embedding,下次相似问题再检索回来。这个方案能解决一部分问题,但如果把它当成“记忆系统”的全部,很快就会撞墙。
本文介绍了两种基于Python的地图可视化方案。第一部分使用folium库生成交互式HTML地图,包含房源标记、价格热力图和区域中心标记等功能,无需API密钥即可实现基本可视化效果。第二部分采用高德地图JS API开发更专业的交互页面,支持筛选等高级功能但需申请开发者密钥。文章详细讲解了folium库的安装、基础地图创建、标记添加、热力图生成等关键步骤,并提供了参数说明和效果图示,帮助开发者快速实
一句话点题:Prompt 是手艺,Loop 是系统,Graph 是组织。2026 年 7 月 18 日,"龙虾之父" Peter Steinberger 在 X 上敲下一行字:
定义好的模型结构,是成功的一半。从工具函数的签名反推模型,而不是凭空设计。"""查询用户订单"""...用LangChain的@tooluser_id: str = Field(description="用户ID,U开头")start_date: str = Field(description="开始日期,YYYY-MM-DD格式")end_date: str = Field(descriptio
最近和几位数字化负责人聊,发现一个有意思的现象:> 大家对AI智能体都很感兴趣,但问得最多的问题不是"技术怎么做",而是"这事怎么跟老板汇报"。
前端普通用户模块:注册登录:该模块允许新用户创建账户,并为已注册用户提供登录功能。用户可以输入必要的信息,如用户名、密码和邮箱地址,以完成注册。登录功能则允许用户输入其凭证以访问个人账户和享受网站提供的服务。首页:首页是用户访问网站时首先看到的页面,它包含了多个部分。轮播图展示了最新或热门的音乐内容,吸引用户注意力。音乐资讯部分提供了最新的音乐行业新闻和动态,而音乐信息则利用协同过滤算法,根据用户
本文介绍了JavaScript开发者转型Python时需要了解的基础知识对比。重点内容包括:1)Python使用缩进而非花括号定义代码块;2)变量动态类型相似,但Python用None代替null;3)运算符差异(//整数除法、**幂运算);4)print()替代console.log(),f字符串类似模板字面量;5)Python强调代码可读性和简洁性的设计哲学。这些差异体现了Python"显式优
loop是Agent实现最重要的一个 part,其中分为lead agent的 loop 和sub_agent的 loop任务分解,假设分为 n 个子任务(1次问答);查看每个子任务需要调用的工具(n次问答);每次调用完工具至少还需要一次问答生成答案总结(n次问答);每个子任务可以提出建议(n次问答);一共3n+1次问答,如果你的任务很复杂,那么单 Agent 会堵死去。这也是为什么要用懒加载和任
前段时间有个朋友在蚂蚁做Agent项目,拉我吃饭的时候聊到一个事。他们团队花了大概三个月把一个多智能体系统搭起来了,功能上跑通了,该调的工具都能调,该走的链路也都走通了,demo效果还行。他挺开心的,觉得项目算是告一段落了。
Agent 记忆系统的核心,不是“要不要向量库”,也不是“该不该上知识图谱”。
这篇文章记录了作者使用Claude Code在半天内从零搭建并上线一个完整个人网站的全过程。网站采用Next.js 14 + Tailwind CSS + Cloudflare Pages技术栈,具备博客、产品展示、工具箱和服务页面等功能。核心亮点包括: 使用Markdown驱动内容系统,实现静态博客管理 通过AI辅助完成项目初始化、依赖安装和目录结构搭建 解决Cloudflare适配器版本冲突等