人工智能（AI）正在從簡(jiǎn)單的聊天機(jī)器人進(jìn)化成自主代理（autonomousagents）——這些AI系統(tǒng)能夠進(jìn)行推理、規(guī)劃并采取行動(dòng)來(lái)實(shí)現(xiàn)目標(biāo)。構(gòu)建這樣的AgenticAI應(yīng)用需要扎實(shí)的編程基礎(chǔ)，以及對(duì)正確工具、庫(kù)和框架的了解。在本文中，我們將探討AgenticAI的編程基礎(chǔ)，帶你了解入門所需的核心技能和技術(shù)。1.Python—AI開(kāi)發(fā)的支柱Python因其簡(jiǎn)單易讀、豐富的庫(kù)生態(tài)系統(tǒng)，依然是AI開(kāi)發(fā)的首選編程語(yǔ)言。為什么選擇Python？擁有海量的AIML庫(kù)...

一個(gè)使用最新LangChain+LangGraphAPIs創(chuàng)建多步驟、有狀態(tài)LLM管道的實(shí)踐指南引言大型語(yǔ)言模型（LLMs）功能強(qiáng)大——但在現(xiàn)實(shí)世界的系統(tǒng)中使用它們通常需要結(jié)構(gòu)。你很少只需要調(diào)用一次模型；你需要多步驟推理、有狀態(tài)的數(shù)據(jù)傳遞和可靠的編排。這正是LangGraph為L(zhǎng)angChain帶來(lái)的東西。它是一個(gè)用于定義結(jié)構(gòu)化、有狀態(tài)工作流的框架，每個(gè)步驟都建立在上一步的基礎(chǔ)上。在本指南中，你將學(xué)習(xí)如何使用LangChain和LangGraphAPIs構(gòu)建一個(gè)...

分塊（Chunking）是構(gòu)建高效RAG（檢索增強(qiáng)生成）系統(tǒng)的核心。從固定分塊、遞歸分塊到語(yǔ)義分塊、結(jié)構(gòu)化分塊和延遲分塊，每種方法都在優(yōu)化上下文理解和準(zhǔn)確性上扮演了關(guān)鍵角色。這些技術(shù)能大幅提升檢索質(zhì)量，減少“幻覺(jué)”（hallucination），并充分發(fā)揮你的RAGpipeline的潛力。在我近一年構(gòu)建可擴(kuò)展AI系統(tǒng)的經(jīng)驗(yàn)中，我發(fā)現(xiàn)RAG系統(tǒng)的成功大多取決于檢索（retrieval）。你如何切分和存儲(chǔ)文檔——也就是分塊（chunking）——往往是成...

在最近結(jié)束的OpenAIDevDay上，SamAltman宣布推出AgentKit，這是一個(gè)全新工具包，專門為開(kāi)發(fā)者設(shè)計(jì)，讓構(gòu)建和部署AIAgent變得更簡(jiǎn)單。過(guò)去幾年，agenticsystems和自動(dòng)化成了AI領(lǐng)域最激動(dòng)人心的方向之一。你可能用過(guò)或聽(tīng)說(shuō)過(guò)像n8n、Langchain或者M(jìn)ake這樣的工具。它們很厲害，但我也能理解為啥有些人不太敢用。這些工具復(fù)雜，需要不少技術(shù)背景知識(shí)，而且擴(kuò)展起來(lái)成本不低。AgentKit是OpenAI的一次嘗試，目的是把原本復(fù)雜的過(guò)程變...

如果你用過(guò)大型語(yǔ)言模型（LLMs）干點(diǎn)正經(jīng)事，你肯定知道那種等待的煎熬。你輸入一個(gè)問(wèn)題，按下回車，然后……啥也沒(méi)有。就一個(gè)轉(zhuǎn)圈的光標(biāo)在那晃，直到第一個(gè)詞終于蹦出來(lái)。這種延遲叫“首次令牌時(shí)間”（timetofirsttoken，TTFT），真是讓人抓狂?，F(xiàn)在，有個(gè)叫LMCache的項(xiàng)目。它是開(kāi)源的，簡(jiǎn)單說(shuō)就是給LLMs提速的神器。LMCache是干啥的？LLMs老干重復(fù)的活兒。每次你給它一段文本，它都會(huì)構(gòu)建一個(gè)叫KVcache（鍵值緩存）的東西。你...

通過(guò)Cypher實(shí)現(xiàn)LLM驅(qū)動(dòng)的Neo4j智能在當(dāng)今這個(gè)數(shù)據(jù)驅(qū)動(dòng)的世界里，信息量巨大、動(dòng)態(tài)變化且往往是非結(jié)構(gòu)化的，挖掘有意義的關(guān)聯(lián)變得至關(guān)重要。知識(shí)圖譜（KnowledgeGraphs）提供了一種結(jié)構(gòu)化的方式來(lái)表示實(shí)體及其關(guān)系，讓機(jī)器不僅能處理原始數(shù)據(jù)，還能理解上下文。它們已經(jīng)成為智能系統(tǒng)的基石，驅(qū)動(dòng)了語(yǔ)義搜索、推薦引擎、問(wèn)答系統(tǒng)和企業(yè)決策——通過(guò)將數(shù)據(jù)點(diǎn)連接成一個(gè)機(jī)器可理解的網(wǎng)絡(luò)。但隨著知識(shí)圖譜的規(guī)模和復(fù)雜性增加，它們常...

RetrievalAugmentedGeneration(RAG)現(xiàn)在是最受歡迎的框架，用來(lái)構(gòu)建GenAI應(yīng)用。企業(yè)和組織特別喜歡它，因?yàn)樗茏屗麄冇米约旱膶Ｓ袛?shù)據(jù)來(lái)回答用戶問(wèn)題。它讓LLM給出準(zhǔn)確、及時(shí)、和用戶問(wèn)題相關(guān)的答案。從我這幾年構(gòu)建RAG應(yīng)用的經(jīng)驗(yàn)來(lái)看，你的響應(yīng)質(zhì)量很大程度上取決于檢索到的上下文。而提升RAG檢索上下文的一個(gè)關(guān)鍵方式，就是把數(shù)據(jù)切分成合適的大小，選擇合適的embedding模型，還有選一個(gè)有效的檢索機(jī)制。Embeddings是LLMs的...

學(xué)習(xí)如何結(jié)合Neo4j知識(shí)圖譜和LangChain，打造精準(zhǔn)、可解釋、適合生產(chǎn)環(huán)境的RetrievalAugmentedGeneration(RAG)系統(tǒng)。RetrievalAugmentedGeneration(RAG)已經(jīng)迅速成為讓LargeLanguageModels(LLMs)在生產(chǎn)環(huán)境中真正發(fā)揮作用的首選架構(gòu)。RAG不再僅僅依賴LLM的內(nèi)部記憶，而是將其與外部知識(shí)源連接起來(lái)。雖然大多數(shù)教程展示的是使用Pinecone、Weaviate或FAISS等向量數(shù)據(jù)庫(kù)的RAG，但在現(xiàn)實(shí)世界的問(wèn)題中，單靠語(yǔ)義相似度往往不夠。你需...

你有沒(méi)有納悶過(guò)，為什么你的RAG系統(tǒng)總是返回一堆無(wú)關(guān)的結(jié)果，或者漏掉顯而易見(jiàn)的答案？你不是一個(gè)人！很多開(kāi)發(fā)者一開(kāi)始用vectorsearch，然后一臉懵地發(fā)現(xiàn)，他們的“智能”AI連一個(gè)簡(jiǎn)單的產(chǎn)品代碼都找不到。如果你試過(guò)搭建一個(gè)RetrievalAugmentedGeneration(RAG)系統(tǒng)，可能也撞過(guò)我一樣的南墻。你的chatbot有時(shí)候回答得很棒，但有時(shí)候完全答非所問(wèn)，返回一些概念上相似但實(shí)際沒(méi)用的信息。問(wèn)題出在哪兒？大部分RAG教程只關(guān)注那些...

阿里巴巴悄然發(fā)布了AgentScope。這是一個(gè)用于構(gòu)建多代理AI應(yīng)用的開(kāi)源Python框架。老實(shí)說(shuō)，如果你一直在玩AIagents，這玩意兒挺酷的。我花了點(diǎn)時(shí)間挖了挖它，我的收獲是：感覺(jué)終于有人試著做了一個(gè)不跟你對(duì)著干的agents框架。大多數(shù)框架藏得太深，或者把你鎖死在一種工作方式里。AgentScope的賣點(diǎn)正好相反；一切都保持可見(jiàn)，你保持控制。沒(méi)有黑箱魔法。為什么它吸引了我的注意AgentScope背后的那些人似乎癡迷于一個(gè)想法：透明度...

使用TenorshareAI輕松檢測(cè)AI生成的文本并改寫，讓它繞過(guò)AI文本檢測(cè)器。我用過(guò)的最棒的AI文本人性化工具如果說(shuō)現(xiàn)代大型語(yǔ)言模型（LLMs）有什么特別擅長(zhǎng)的，那就是預(yù)測(cè)它們接下來(lái)要說(shuō)的詞。這種能力讓聊天機(jī)器人能以自然的方式回應(yīng)幾乎任何問(wèn)題，甚至還能通過(guò)聯(lián)網(wǎng)進(jìn)行深入研究。不過(guò)，大多數(shù)LLMs的原始輸出還是很容易被認(rèn)出是AI生成的。作為一名有四年出版編輯經(jīng)驗(yàn)的人，我通常一眼就能看出文章是人工寫的還是機(jī)器生成的。那么，...

我遇到個(gè)麻煩：手頭有幾十（好吧，實(shí)際上是幾百）個(gè)PDF文件——研究論文、API文檔、白皮書(shū)——散落在各個(gè)文件夾里。搜索慢得要死，瀏覽更煩。所以我搞了個(gè)PDF問(wèn)答引擎，能把文件吃進(jìn)去、分塊、嵌入、用FAISS索引、找最佳段落，還能給個(gè)簡(jiǎn)潔的回答（而且有不用API的備選方案）。這篇文章把所有東西都給你——端到端的代碼，用大白話解釋清楚。你能得到啥?本地PDF加載（不用云）?更聰明的分塊（保留上下文）?用sentencetransfo...

現(xiàn)代AI聊天機(jī)器人常常依賴RetrievalAugmentedGeneration(RAG)，也就是檢索增強(qiáng)生成技術(shù)。這種技術(shù)讓機(jī)器人能從外部數(shù)據(jù)中提取真實(shí)信息來(lái)支撐回答。如果你用過(guò)“與你的文檔聊天”之類的工具，你就見(jiàn)過(guò)RAG的實(shí)際應(yīng)用：系統(tǒng)會(huì)從文檔中找到相關(guān)片段，喂給大語(yǔ)言模型（LLM），讓它能用準(zhǔn)確的信息回答你的問(wèn)題。RAG大大提升了LLM回答的事實(shí)準(zhǔn)確性。不過(guò)，傳統(tǒng)RAG系統(tǒng)大多把知識(shí)看成一堆互不關(guān)聯(lián)的文本片段。LLM拿到幾段相關(guān)內(nèi)容后，得...

讓我跟你說(shuō)——大部分AI工具就像那個(gè)滿嘴跑火車但啥也干不成的同事。不會(huì)寫代碼，不會(huì)做報(bào)表，連上網(wǎng)瀏覽都會(huì)崩。如果你現(xiàn)在就在用這種破工具，那真是選錯(cuò)了。不過(guò)好消息是：市面上還真有能干活的AI工具！我來(lái)帶你看看10個(gè)靠譜的家伙，涵蓋了編碼、語(yǔ)音、研究、數(shù)據(jù)處理和網(wǎng)頁(yè)操作，全都基于你給我的信息。編碼工具1.GoogleJules—免費(fèi)Jules就像你那個(gè)會(huì)把你的菜譜從頭看到尾，還能自己烤一盤餅干的哥們兒。它能深入你的代碼項(xiàng)...

隨著基座模型的不斷更新成熟，智能體工作流（AgenticWorkflow）已成為AI領(lǐng)域的熱點(diǎn)，它將AI智能體（AIAgent）的推理能力與結(jié)構(gòu)化工作流結(jié)合，實(shí)現(xiàn)復(fù)雜任務(wù)的半自主執(zhí)行。AI智能體結(jié)合了大型語(yǔ)言模型（LLM）的推理、工具交互和記憶能力，賦予工作流動(dòng)態(tài)性和適應(yīng)性。與傳統(tǒng)的確定性工作流或非智能體AI工作流相比，智能體工作流能處理更高復(fù)雜度的任務(wù)。今天我將系統(tǒng)解析其核心概念，并通過(guò)實(shí)際模式和應(yīng)用案例展示其價(jià)值。希望能給...

RetrievalAugmentedGeneration（RAG）是一種結(jié)合信息檢索和大型語(yǔ)言模型（LLMs）來(lái)回答用戶查詢的方法。傳統(tǒng)上，這涉及將檢索器直接連接到生成流水線。然而，通過(guò)LangGraph和LangChain，我們可以進(jìn)一步模塊化這個(gè)過(guò)程，將檢索器暴露為一個(gè)可調(diào)用的工具。在這篇博客中，我將展示如何在LangGraph中使用工具調(diào)用實(shí)現(xiàn)一個(gè)RAG系統(tǒng)。我將模擬一個(gè)餐廳助理代理，回答關(guān)于BellaVista餐廳的問(wèn)題。目標(biāo)構(gòu)建一個(gè)基于RAG的代理，能夠：?將...

引言在之前我們聊過(guò)MCP革命的宏觀話題，這篇文章咱們來(lái)聚焦一下，專門對(duì)比一下ModelContextProtocol(MCP)和AgentCommunicationProtocol(ACP)以及AgenttoAgent(A2A)協(xié)議的核心區(qū)別。我們的目標(biāo)是聊聊這幾個(gè)框架各自的獨(dú)特優(yōu)勢(shì)，并且說(shuō)明在很多應(yīng)用場(chǎng)景下，MCP提供的抽象層級(jí)剛剛好，不需要ACP或A2A那種更復(fù)雜的結(jié)構(gòu)。我們會(huì)深入探討MCP如何通過(guò)把工具看作無(wú)狀態(tài)的函數(shù)（這些函數(shù)本身也可以是智能體）來(lái)實(shí)現(xiàn)這一點(diǎn)，從而構(gòu)建動(dòng)態(tài)...

在構(gòu)建基于知識(shí)圖譜的RAG系統(tǒng)或使用LangChain的智能體時(shí)，最大的挑戰(zhàn)之一是從非結(jié)構(gòu)化數(shù)據(jù)中準(zhǔn)確提取節(jié)點(diǎn)和關(guān)系。特別是當(dāng)使用較小的、量化的本地LLM時(shí)，這一點(diǎn)尤其困難，結(jié)果往往是AI系統(tǒng)表現(xiàn)不佳。LangChain提取功能的一個(gè)關(guān)鍵問(wèn)題是它依賴嚴(yán)格的JSON解析，即使使用更大的模型或非常詳細(xì)的提示模板，也可能失敗。相比之下，BAML使用一種模糊解析（fuzzyparsing）方法，即使LLM的輸出不是完美的JSON格式，也能成功提取數(shù)據(jù)。在...

模型上下文協(xié)議（ModelContextProtocol，MCP）正在徹底改變我們與人工智能的交互方式，它讓從數(shù)據(jù)科學(xué)家到業(yè)余愛(ài)好者的每個(gè)人都能輕松地為AI助手接入真實(shí)世界的數(shù)據(jù)，從而大幅提升其能力。舉個(gè)例子，你可以像和同事聊天一樣與AI對(duì)話，毫不費(fèi)力地讓它深入分析復(fù)雜數(shù)據(jù)集、發(fā)現(xiàn)隱藏模式、進(jìn)行數(shù)值計(jì)算，甚至實(shí)時(shí)抓取網(wǎng)絡(luò)上的市場(chǎng)趨勢(shì)——整個(gè)過(guò)程自然流暢，就像普通對(duì)話一樣。MCP就像一個(gè)通用連接器，彌合了現(xiàn)代AI模型強(qiáng)大能力與...

大型語(yǔ)言模型（LLMs）正在改變我們與技術(shù)的互動(dòng)方式，從聊天機(jī)器人到代碼助手，功能無(wú)所不包。但要高效運(yùn)行這些模型可不是件小事，尤其是在需要速度、可擴(kuò)展性和高吞吐量應(yīng)用的穩(wěn)定性時(shí)。如果你一直在用Ollama進(jìn)行本地LLM實(shí)驗(yàn)，現(xiàn)在想轉(zhuǎn)向vLLM以獲得生產(chǎn)級(jí)性能，這篇文章的主要目的是講解這兩個(gè)框架的區(qū)別，探討選擇正確框架的重要性，并提供一步步的指導(dǎo)。1.為什么選擇合適的LLM框架很重要把部署LLM想象成開(kāi)餐廳。如果只是給小...