数据库标签_AI Agent技术社区

数据库

别让你的 Agent 一口吃成胖子：AI Agent 任务拆分的工程实践指南

dataclass"""一个可执行、可观测、可恢复的子任务。"""id: str# 执行函数：接收上下文，返回结果# 验证函数：判断执行结果是否满足要求# 失败后最多重试次数# 该任务是否需要人工确认后才执行# 前置任务 id 列表：都成功后才执行本任务Agent 的能力边界，往往由任务拆分的质量决定。模型再强，也架不住一个没有结构、没有边界、没有失败策略的混沌任务。从「稳定中间态」和「外部依赖」

2601_96493715
2026-09-09 15:52:34

 74

 1

#人工智能 #服务器 #数据库 +1
[上海9.9岗位更新] SHEIN 内推：算法/前端/ Java /AI Agent/安全/测试/iOS/数据/数据库， 18-90k

这批岗位方向覆盖前端、Java 、算法、AI Agent 、数据、数据库、测试、安全、架构。SHEIN 不同部门、团队、业务线差异比较大，我不能给所有团队背书，建议大家面试时重点确认团队业务、汇报线、加班节奏、人员稳定性和 HC 背景。覆盖平台治理、招商、营销个性化、用户增长、风控、算法工程化、JAVA 大数据研发等方向。算法中台、广告商业化、海外广告、智能客服、NLP 、商品治理、活动选品、价格

 sheinreferral
2026-09-09 09:44:52

 234

 4

#java #人工智能 #算法 +4
灰度因果演化函数之 AI Agent 工程化重构：从二值奖惩到十值灰度的范式跃迁

本文提出五值撑开灰度、十值形成连续可微的完整形态，并以“土”作过渡带；叙事上以 you / me / he 取代 user / assistant，重建主体位置。工程上通过保留输出分布、稠密奖惩、五值评估与人称改造，让系统真正可学习、长出分寸

 王磊哥哥
2026-09-09 04:45:43

 340

 5

#人工智能 #重构 #前端 +3
谁替 AI 闭合回路？从瓦特的飞球，到 DolphinDB 的智能数据库

2026 年 7 月，DolphinDB 把一个 AI Agent 运行时框架装进了数据库。判断这件事的分量，控制论给了一把好尺子，输出之后有没有通道流回、并参与决定下一拍输出。本文沿回路四站检查 DolphinDB，感知、记忆、反射、决策，看智能怎样在库里闭合。本系列五篇各占一个维度。《当数据库长出大脑》写，《三百年时延坍缩史》写，《数据的引力》写，《智能数据库的语言学》写。本篇补上第五个维度，

lbbxmx111
2026-09-08 21:36:41

 293

 2

#人工智能 #数据库
搭建知识库+数据库联动的AI Agent：PolarDB Agent Express RAG+NL2SQL实战指南

PolarDB Agent Express知识库+数据库联动方案适用于以下场景：企业内部知识问答+业务数据查询：员工用自然语言同时查文档和数据，适用于运营分析、客服支持客服智能问答：结合产品知识库和历史工单数据库，提供精准且个性化的客服回答运营数据分析：运营人员无需写SQL，自然语言提问即可获取数据报表，并结合业务文档理解数据含义金融合规问答：检索法规知识库+查询交易数据库，满足金融场景合规审查需

 Database_Cool_
2026-09-08 17:32:59

 164

#数据库 #人工智能 #express
让 AI Agent 读写 Office 文档、看懂大图：几个绕开模型硬约束的工程技巧

<think>The user asks me to generate a summary of ≤150 characters based on the given content. Wait, they wrote "≤150字的文章摘要" - so the output should be a Chinese article abstract no more than 150 charact

策案案案
2026-09-06 13:30:01

 172

 6

#人工智能 #学习 #java +1
你的AI Agent为什么总“理解错“：提升提示词能力的5条实在路径（附考证培训实战范例）

提示词像沟通，说不清AI就做不对。但更深一层——你对自己业务越清楚，提示词越准；业务理不清，加多少修饰词都没用。这也是为什么我们做企业数字化，一直强调先把流程和数据理清楚，再谈AI。提示词只是放大器，它放大的是你已有的业务理解。

杰夫（简道云个人搭建）
2026-09-06 10:57:10

 338

 7

#人工智能 #个人开发 #低代码 +1
从Web全栈到AI Agent：我的3个Offer经验分享，附踩坑指南与学习路线！

本文分享了一位React/Node全栈工程师转向Agent开发的实战经验。从“调API+写prompt”的浅层应用，到深入Agent开发的工程思维转变，详细剖析了传统Web开发思维在处理多轮循环、概率性输出、对话状态管理及成本控制等方面的局限性。文章总结了5个常见踩坑点及解决方案，并分享了4个月的学习路线和3个Offer的面试复盘，强调评测能力和工程化思维的重要性，为Web背景开发者提供了一套系统

 网络安全工程师小龙
2026-09-06 10:35:19

 254

 5

#前端 #人工智能 #经验分享 +4
AI Agent Harness Engineering 的长期记忆构建：图数据库 Neo4j 在关系抽取中的应用实战

今天的旅程，我们将攀登：第一座是「看得见摸得着的AI Agent失忆困境」，比如陪你聊天3天就忘了你上周日吐槽过的外卖里的蟑螂壳；第二座是「理解AI Agent记忆的三层脑模型——类比我们自己的大脑皮层、海马体和前额叶皮层」；第三座是「用图数据库Neo4j搭建」，把蟑螂壳、外卖平台、商家、你的投诉习惯、天气状况（那天是不是暴雨影响配送导致商家凑活的？）这些零散的“神经信号碎片”连成长长的“记忆神经

 禅与计算机程序设计艺术
2026-09-05 19:17:18

 103

 1

#人工智能 #数据库 #neo4j
【WMS 仓储系统集成 AI Agent 实战】第 4 讲：15 张表 + 19 个 AI 工具——让大模型真正“摸到“数据库

前三讲把地基打完了。这一讲是整个项目的业务核心：ERP 仓储域怎么建模、AI 怎么通过工具调用读写真实数据、库存防超卖怎么保证。还有一个 8B 模型特有的坑：数字参数 100% 成功，字符串参数时灵时不灵。

运行时异常
2026-09-05 13:52:34

 222

 4

#人工智能 #数据库
《FDE前沿部署工程师实战教程》08 - Agent实战：让AI从“回答问题”走向“执行任务”

本章从RAG进一步进入AI Agent实战，系统讲解Tool Calling、Function Calling、Agent、Memory、Workflow、Guardrails等核心能力。通过ERP、CRM、WMS等企业场景，分析AI如何从“回答问题”升级为“调用系统、分析数据、执行任务”。同时重点介绍Tool设计、权限控制、人工确认、异常处理与安全机制，帮助FDE构建真正面向业务落地的企业级AI

IT古董
2026-09-05 11:01:21

 295

 12

#人工智能 #大数据 #数据库
Navop：一款工具搞定数据库、SSH、SFTP、远程桌面、AI Agent

是一款面向 AI 时代的开发和运维一体化工作台，它将数据库管理、SSH 终端、SFTP 文件传输、远程桌面、服务器监控、AI Agent 等功能整合到一个原生桌面应用中，可以减少开发人员、DBA 和运维工程师在多个工具之间频繁切换的成本。

不剪发的Tony老师
2026-09-05 10:29:00

 282

 7

#数据库 #ssh #运维
Havenlon | 杂谈：执于意图，行于现实，控以边界，制成秩序：什么是执行控制

执行控制并不只是一个安全功能，它讨论的是一个更根本的问题：一个意图，凭什么能够进入现实。执于意图，行于现实，控以边界，制成秩序。当 AI Agent 开始拥有持续行动能力，安全的核心便不再只是识别谁可信、谁有权限，而是限制任何主体能够把现实推到多远。真正成熟的系统，不依赖主体永远正确，而是让错误、误判与失陷始终被约束在可接受的执行边界内，并最终沉淀为不可轻易绕过的制度与秩序。

Lovekde_cn1
2026-09-05 07:00:00

 161

 2

#数据库 #人工智能 #大数据 +2
AI Agent 工程实践（42）：Agent Trace——完整还原一次失败执行

Trace 是 Agent 的飞行黑匣子。不要顺着时间流水式阅读执行日志，正确方式是从错误结论逆向追溯错误传播链，定位第一个发生异常的节点。本篇以真实 Run #1827 完整案例演示如何通过 Trace 定位 Planning 与校验缺失两类根因，完成闭环调试。

2401_85223846
2026-09-04 15:28:38

 648

 21

#人工智能 #数据库
Havenlon | From Access to Execution #03 Authentication vs Execution Qualification

Authentication 解决“请求究竟来自谁”，但主体真实并不意味着动作天然具备执行资格。AI Agent 将意图理解、参数构造与真实执行压缩成自动链路后，原本由人承担的语义确认必须被显式建模。Execution Qualification 因此关注的不再只是身份，而是 WHO、WHAT、OBJECT、STATE、PROOF 与 BOUNDARY 是否在执行时刻同时成立并正确绑定。认证可以长

 Lovekde_cn1
2026-09-03 08:26:10

 374

 16

#数据库 #前端 #服务器 +2
Havenlon | From Access to Execution #02 Least Privilege vs Least Execution Authority

Least Privilege 最小化主体持有的权限集合，而 Least Execution Authority 进一步最小化这些必要权限能够造成的现实后果。前者控制“能调用什么”，后者控制“能把现实改变到什么程度”。在 AI Agent 开始自主支付、部署系统、控制设备后，真正需要收缩的不只是 Permission Set，更是 Action、Target、Boundary 与当前状态共同决定的

 Lovekde_cn1
2026-09-02 07:00:00

 678

 16

#数据库 #oracle #人工智能 +3
Elastic 线下 Meetup 将于 2026 年 11 月 7 号下午在南京举行

<think>我们只需要根据内容生成摘要，不超过150字。摘要应涵盖活动基本信息、时间地点、主题亮点等。注意字数限制。</think>2026 Elastic Meetup 南京站由Elastic与新智锦绣联合举办，11月7日在南京浦口举行。聚焦ES向量搜索、AI Agents、零外泄安全分析、大模型记忆中心及集群巡检，多位技术专家分享实战，含茶歇抽奖，诚邀开发者报名参加。

Elastic 中国社区官方博客
2026-09-01 15:43:16

 1173

 36

#elasticsearch #大数据 #运维 +3
AI Agent 的四根支柱：LLM、工具、记忆与规划是如何协同的

AI Agent 的四根支柱——LLM、工具、记忆与规划，本质上是把一个纯粹的语言模型，升级为一个能够自主完成任务的智能体。LLM提供理解、推理与决策能力，是整个系统的大脑。工具让 Agent 能够真正作用于外部世界，把知识转化为行动。记忆赋予 Agent 跨步骤、跨会话的连续性与学习能力。规划负责把大目标拆解为小步骤，并在执行中动态调整。

今天AI了吗
2026-08-31 16:24:38

 361

 5

#数据库 #人工智能 #运维 +2
MCP火了之后，AI Agent真的会“自己干活”了吗？从工具调用到生产级Agent，一文讲透

大模型AgentLLM↓RAG↓↓MCP↓Memory↓Skills↓↓所以，MCP真正重要的地方，并不是它本身有多么神奇。AI正在从“生成内容”走向“调用工具并执行任务”。人 → 软件 → 结果人↓AI Agent↓规划↓调用工具↓执行任务↓检查结果↓继续执行↓最终交付这意味着，未来程序员需要掌握的能力也会发生变化。API怎么设计数据库怎么优化代码怎么写Agent怎么设计Tool怎么定义MCP怎

 Lucas55555555
2026-08-31 09:43:19

 465

 14

#人工智能 #oracle #数据库
已有业务 API，怎样判断它适不适合接给 AI Agent？用一条真实动作完成接入评估

很多团队已经拥有商城、CRM、ERP、工单或 SaaS 后台，也已经有可用的 REST API、OpenAPI 文档甚至 MCP Server。真正准备让 AI Agent 操作业务时，第一步却不应该是把整份接口文档全部导入模型，而应该挑选一条边界明确的真实业务动作，判断它是否具备可识别的业务后果、可信行动主体、原系统最终授权、风险与审批语义、幂等和失败处理，以及可还原的审计证据。本文提供一套最小

 敢敢是只喵i
2026-08-31 09:19:43

 617

 13

#人工智能 #数据库 #安全架构 +1
智能体系统升级前的核查

AI Agent 系统设计与多 Agent 协作架构”不是一个可以直接优化的指标。开始前应明确目标对象、受影响请求、输入边界、依赖服务和验收标准。涉及质量时，应准备带有判定规则的样本，而不是只凭主观印象。

2401_87746054
2026-08-28 09:22:58

 3949

 6

#人工智能 #语言模型 #后端 +2
AI Agent 工程实践（34）：企业 AI Agent 架构

本篇为系列全景架构篇，把前面多篇拆解的独立组件组装成完整企业级 Agent 系统。指出常见三类架构问题：单体大服务无边界、Memory 与 Knowledge 混淆、链路追踪缺失。梳理出**11 个核心节点骨架**，清晰定义每个模块职责与完整请求数据流；同时给出自建 / 托管选型权衡，核心业务模块自主实现，重运维非差异化组件优先选用托管服务。

2401_85223846
2026-08-27 10:14:19

 523

 20

#数据库 #人工智能
智能体性能评估

在传统的生成式 AI 应用中，评估的核心通常聚焦于单次输入输出（Single-turn I/O）的质量。例如，通过 RAG Triad 评估检索的相关性与回答忠实度，或通过预设标准答案评估数学推理的准确率。然而，一旦进入AI Agent（智能体）│ 传统 LLM 评估 vs Agent 智能体评估 ││ 评估维度 │ 传统 LLM 评估 │ AI Agent 智能体评估 ││ 交互模式 │ 单轮

 tachibana2
2026-08-27 09:30:00

 336

 10

#人工智能 #机器学习 #数据库 +1
AI：向量数据库全景深度分析文章/向量数据库企业落地实施检查清单

向量数据库，是专门用于存储、索引、高效检索高维嵌入向量的专用数据库。文本、图片、音频、视频等非结构化数据，无法直接被计算机计算语义相似度；通过Embedding（嵌入模型），将非结构化数据转换成一串数字组成的高维向量。语义越相近，两个向量在高维空间的距离就越近。向量数据库核心使命不是精确查找，而是相似度搜索（K‑NN近邻搜索）。它是RAG检索增强生成、AI Agent长期记忆、多模态检索系统的

 snowball@li
2026-08-26 23:45:00

 692

 11

#人工智能 #数据库
本地 AI Agent 怎么操作已有业务后台？为什么不能只做一个“聊天转发器”

把 Agent 放到本地，可以带来更灵活的模型选择、更强的本地工具能力和更自然的多步编排。但本地运行不会自动产生业务身份，也不会自动获得企业权限。本地 Agent 能够自主理解和编排；中枢能够持续提供可信上下文和治理；业务系统始终保留最终授权与拒绝权。连接只是开始。当本地 Agent 开始修改员工、创建工单、更新库存或提交业务操作时，系统必须能够回答：它代表谁？为什么能做？做到了哪一步？发生后如何

 敢敢是只喵i
2026-08-26 18:14:56

 506

 18

#人工智能 #数据库 #安全架构 +1
真心建议大家都去飞书学AI Agent！真的能打破信息差！！

文章介绍2025年为"Agent元年"，推荐了6位AI专家的AI Agent学习资源，涵盖从基础理论到实战部署的全方位内容。通过飞书平台可获取完整学习文档，帮助读者系统掌握AI Agent技术，打破信息差，把握大模型应用新方向。

上马定江山
2026-01-19 08:45:00

 1665

 23

#人工智能 #MCP #前端框架 +1
Skills技术揭秘：AI Agent的进化之路，从被动应答到主动执行！

Skills是让Agent从"被动应答"进化为"主动执行"的核心技术，通过封装特定任务的领域知识、操作流程和工具调用方式，使Agent能像专家一样高效执行复杂任务。文章详细解析了Skills的工作原理、与其他概念的区别、优质Skills的打造方法，以及官方与社区资源推荐。Skills采用渐进式加载和智能调用机制，解决了规则失效、执行失控等问题，让AI从"对话助手"转变为"可信赖的执行者"，降低了普

 上马定江山
2026-01-25 08:45:00

 779

 12

#人工智能 #架构 #数据库 +3
向量数据库的发展与AI技术相辅相成，大致可分为三个阶段！

向量数据库技术的发展，可以追溯到本世纪初的深度学习浪潮。随着深度学习技术在语音识别、图像处理、自然语言处理等领域的突破性进展，嵌入表示(Embedding)技术逐渐成为一种标准化的数据表示方法。嵌入表示技术通过将数据映射到低维稠密向量空间，能够有效地捕捉数据之间的语义关联，为向量数据库的发展奠定了坚实的基础。

上马定江山
2026-01-10 08:45:00

 763

 9

#数据库 #人工智能 #前端 +1
智能体协作系统的交付验收

AI Agent 系统设计与多 Agent 协作架构”不是一个可以直接优化的指标。开始前应明确目标对象、受影响请求、输入边界、依赖服务和验收标准。涉及质量时，应准备带有判定规则的样本，而不是只凭主观印象。

2401_87746054
2026-08-26 10:26:01

 3774

 10

#人工智能 #语言模型 #后端 +2
AI Agent 的四根支柱：LLM、工具、记忆与规划是如何协同的

理解 Agent 的底层结构，不只是一个理论问题，它直接决定了你能不能在真实业务里把 Agent 用好。很多「翻车」的 Agent 项目，问题往往不在模型不够聪明，而在于记忆没有分层、工具描述写得含糊、规划模式选错。下一次当你准备动手搭建一个 Agent 时，不妨先问自己四个问题：大脑选什么模型、工具怎么标准化、记忆如何分层管理、复杂任务怎么规划——把这四根支柱立稳了，Agent 才算真正有了自主

 2401_89111612
2026-08-25 23:36:36

 5420

 49

#人工智能 #大数据 #数据库
AI Agent 一跑就 429？真正耗尽的可能是并发连接，不是额度

Agent 时代的 API 限流，已经不能只看 RPM。长时间流式响应、多个子 Agent、慢上游和同步重试，会共同推高“仍在运行的请求数”。即使一分钟请求总量没有变化，也可能耗尽并发槽位。稳定的 Agent 调用链，靠的不是无限重试，而是可观测的限流、明确的并发边界和经过验证的降级路径。

刘先生864
2026-08-25 14:43:46

 371

 11

#人工智能 #数据库 #AI +2
AI Agent 可观测性：破解多步推理黑盒

本文围绕 AI Agent 可观测性展开，探讨如何破解多步推理黑盒。文章先分析多步推理黑盒的成因与挑战，再从轨迹追踪、指标监控、日志记录、评估反馈四个维度构建可观测体系，并结合 OpenTelemetry 统一追踪、结构化记录、可视化推理路径与异常告警等关键技术方案落地实现。通过一个多轮搜索与计算的实践案例，演示如何借助 Trace 数据定位失败根因，最后横向对比 LangSmith、Langfu

qq_71356343
2026-08-25 11:00:11

 497

 14

#人工智能 #oracle #数据库
从数据到记忆：Cognee 如何构建 AI Agent 的长期认知

值得注意的是，此处的 “7 页” 和 “7 个 Chunk” 只是数量上的巧合，Chunk 的边界由解析文本、切片策略和长度设置共同决定。在本文使用的 PostgreSQL 存储路径中，知识对象和关系分别落在 graph_node 与 graph_edge 表中，相关图查询通过 SQL JOIN 和递归 CTE 完成，graph_node 是知识图中的通用节点表，其中既有文档、Chunk 和摘要等

 YMatrix 官方技术社区
2026-08-25 09:48:28

 342

 3

#人工智能 #数据库
AI Agent可观测性：破解多步推理黑盒

AI Agent具备自主规划、多步推理与工具调用能力，但动态非确定性推理带来严重黑盒问题，故障定位难、审计缺失、迭代缺少数据支撑，制约规模化落地。Agent可观测性依托Trace链路追踪、Metrics量化指标、Logs结构化日志三维体系，借助思维链结构化拆解、多层埋点、异常归因、采样脱敏等技术，将隐性推理过程显性化，还原完整决策链路。该能力可缩短故障排查周期，驱动精细化迭代，满足合规审计要求。未

 yu俞娥宝
2026-08-24 20:02:20

 459

 6

#数据库
AI Agent 系统设计与多 Agent 协作架构：工具选型别只比较参数

AI Agent 系统设计与多 Agent 协作架构：工具选型别只比较参数”里的做法需要放回自己的代码、数据和权限条件里判断。读到一条建议后，先问它依赖的输入是否可得、失败信号是否能被看见、撤销动作由谁执行。若其中一项没有答案，先补充验证材料，再把范围扩到更多调用点。工程判断允许保留不确定性，关键是不要把还没检查过的部分藏在顺畅的描述里。

2401_87746054
2026-08-24 17:06:01

 3985

 6

#人工智能 #语言模型 #后端 +2
AI Agent 可观测性：破解多步推理黑盒的技术指南

Agent 可观测性不是可选项，而是生产级 Agent 应用的必备能力。它帮助开发者理解推理过程、定位失败根因、持续优化系统质量。随着 Agent 应用走向复杂化，可观测性体系也将从"记录日志"演进为"理解推理"，结合评估与自动化分析，逐步逼近真正的白盒化。未来方向：语义级追踪、自动根因分析、基于观测数据的自适应优化。

pinofan
2026-08-24 11:31:06

 308

 4

#人工智能 #数据库
AI Agent 搭建全流程，小白照着做，七步跑通第一个智能体

AI Agent 搭建全流程，小白照着做，七步跑通第一个智能体

 AI-智能
2026-08-24 10:51:16

 368

 3

#数据库 #oracle #服务器 +4
LangGraph智能体开发实战:从状态机到生产级工作流

你好！这是你第一次使用# LangGraph智能体开发实战:从状态机到生产级工作流在 AI Agent 开发框架的版图里,LangGraph 是一个绕不开的名字。它由 LangChain 团队推出,定位不是"LangChain 的图形化插件",而是一套全新的工程范式——把 Agent 的执行过程建模为一张有向图,用状态机的方式管理每一步的执行。很多开发者第一次接触 LangGraph 时,下意识

 少林码僧
2026-08-24 08:14:19

 463

 3

#数据库 #java #服务器
AI Agent 在数据分析领域的落地判断：哪些场景真的需要 Agent

数据分析领域的 Agent，最大陷阱不是「能力不够」，而是**「能力用错了地方」**。真正能落地的 Agent，从来不是替代整条数据流水线，而是在可校验、可观察、可恢复的边界内，解决那些「路径不固定、需要边走边看」的探索性问题。把确定性留给 SQL 和规则，把不确定性交给 Agent，才是当前阶段最务实的工程判断。与其问「我的团队能不能上 Agent」，不如改问一个更具体的问题：**你手头那个场景

 今天AI了吗
2026-08-23 20:46:37

 399

 5

#人工智能 #数据分析 #java +4
【数据开发】字段怎么算、改了影响谁？我做了一个能直接问 AI 的 SQL 血缘工具

Scope Lineage 是一款面向 Spark/Hive SQL 的开源静态分析工具，能解析字段来源和加工过程。它无需连接集群，通过脚本实现 SQL 静态解析，不消耗 token。工具可解决三大痛点：1）快速定位字段计算逻辑；2）分析上游字段变更影响范围；3）自动生成字段 mapping 文档。支持通过 CLI 或 AI Agent 交互查询，能处理复杂 SQL（如 600+行涉及 19 张表

 我都学杂了。。。
2026-08-23 18:37:45

 336

 5

#sql #数据库
OpenViking 深度解析：火山引擎开源的“自进化上下文数据库“到底解决了什么？

你的 Agent 是否也存在"Token 越烧越多、上下文越跑越乱、一断对话就失忆"的问题？2026 年 1 月，火山引擎 Viking 团队开源了专为 AI Agent 设计的上下文数据库 OpenViking，主张"记忆、资源、技能，皆为文件"。本文从实际痛点出发，深度拆解它如何用统一文件系统（viking:// URI）解决上下文碎片化、用 L0/L1/L2 分层加载控制 Token 消耗、

2301_80370251
2026-08-23 14:54:23

 570

 6

#火山引擎 #开源 #数据库
Havenlon 执行控制工程 II 02｜裁决面与执行面，为什么必须分开？

文章讨论高风险系统中一个常被忽略的问题：策略判断与现实执行不应由同一组件完成。运行时的职责应止于产生“裁决”，而执行必须经过独立边界，对执行对象、关键参数、状态、时效与证据进行再次确认。执行侧不需要重复完整策略，却必须验证“现在准备执行的，仍然是当初被允许的那件事”，并拥有拒绝一份合法裁决的权力。通过能力与权限分离，可以缩小凭据暴露范围，避免单点失陷同时击穿判断与执行。尤其在 AI Agent 场

 Lovekde_cn1
2026-08-22 16:19:02

 713

 27

#服务器 #数据库 #科技 +3
测试人的新风口：掌握LangChain+Playwright这套组合拳，轻松拿捏 AI Agent 测试岗

最近跟好几位测开朋友聊，话题最后都会落到同一句。AI Agent 测试岗开始招了，简历上要写自然语言驱动 UI，还要写得懂 LangChain 跟 Playwright。很多人第一反应是，这是不是又在换名词收智商税。

程序猿李巡天
2026-08-22 10:45:00

 216

 8

#人工智能 #知识图谱 #jvm +2
AI Agent 知识图谱一定要用图数据库吗：一个被混淆了十年的问题

知识图谱和图数据库是两个正交维度：知识图谱是"怎么组织数据"，图数据库是"存在哪"。一个 SQL 例子证明知识图谱可以存进 MySQL，2 个正交维度 + 5 跳判断标准，帮你做出正确的选型决策。AI Agent 架构设计系列。

qwzh110
2026-08-22 08:15:00

 596

 17

#人工智能 #知识图谱 #数据库
【DTCC】从自主可控到AI原生：HaishanDB面向Agent时代的数据库技术跃迁

传统外挂式AI改造，无法解决智能体失忆、推理不可控、数据不安全、一致性缺失等生产级问题。当前AI Agent已可自动建库、查数、运维、迭代任务，但行业普遍存在落地痛点：大模型存在上下文限制，应用层记忆不稳定、检索精度不足、事务无法保障、数据安全缺失。区别于应用层记忆，HaishanDB在内核原生支持独立记忆、共享记忆、记忆进化、多模融合召回，解决Agent失忆、逻辑混乱、记忆冲突等生产难题。将记忆

 bishenghua
2026-08-21 15:10:34

 331

 8

#数据库