人工智能（AI）正在從簡單的聊天機器人進化成自主代理（autonomousagents）——這些AI系統(tǒng)能夠進行推理、規(guī)劃并采取行動來實現(xiàn)目標(biāo)。構(gòu)建這樣的AgenticAI應(yīng)用需要扎實的編程基礎(chǔ)，以及對正確工具、庫和框架的了解。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開發(fā)的支柱Python因其簡單易讀、豐富的庫生態(tài)系統(tǒng)，依然是AI開發(fā)的首選編程語言。為什么選擇Python？擁有海量的AIML庫...

一個使用最新LangChain+LangGraphAPIs創(chuàng)建多步驟、有狀態(tài)LLM管道的實踐指南引言大型語言模型（LLMs）功能強大——但在現(xiàn)實世界的系統(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LangChain帶來的東西。它是一個用于定義結(jié)構(gòu)化、有狀態(tài)工作流的框架，每個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...

分塊（Chunking）是構(gòu)建高效RAG（檢索增強生成）系統(tǒng)的核心。從固定分塊、遞歸分塊到語義分塊、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”（hallucination），并充分發(fā)揮你的RAGpipeline的潛力。在我近一年構(gòu)建可擴展AI系統(tǒng)的經(jīng)驗中，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，這是一個全新工具包，專門為開發(fā)者設(shè)計，讓構(gòu)建和部署AIAgent變得更簡單。過去幾年，agenticsystems和自動化成了AI領(lǐng)域最激動人心的方向之一。你可能用過或聽說過像n8n、Langchain或者Make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，而且擴展起來成本不低。AgentKit是OpenAI的一次嘗試，目的是把原本復(fù)雜的過程變...

如果你用過大型語言模型（LLMs）干點正經(jīng)事，你肯定知道那種等待的煎熬。你輸入一個問題，按下回車，然后……啥也沒有。就一個轉(zhuǎn)圈的光標(biāo)在那晃，直到第一個詞終于蹦出來。這種延遲叫“首次令牌時間”（timetofirsttoken，TTFT），真是讓人抓狂?，F(xiàn)在，有個叫LMCache的項目。它是開源的，簡單說就是給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，它都會構(gòu)建一個叫KVcache（鍵值緩存）的東西。你...

通過Cypher實現(xiàn)LLM驅(qū)動的Neo4j智能在當(dāng)今這個數(shù)據(jù)驅(qū)動的世界里，信息量巨大、動態(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。知識圖譜（KnowledgeGraphs）提供了一種結(jié)構(gòu)化的方式來表示實體及其關(guān)系，讓機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)動了語義搜索、推薦引擎、問答系統(tǒng)和企業(yè)決策——通過將數(shù)據(jù)點連接成一個機器可理解的網(wǎng)絡(luò)。但隨著知識圖譜的規(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，用來構(gòu)建GenAI應(yīng)用。企業(yè)和組織特別喜歡它，因為它能讓他們用自己的專有數(shù)據(jù)來回答用戶問題。它讓LLM給出準(zhǔn)確、及時、和用戶問題相關(guān)的答案。從我這幾年構(gòu)建RAG應(yīng)用的經(jīng)驗來看，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，還有選一個有效的檢索機制。Embeddings是LLMs的...

學(xué)習(xí)如何結(jié)合Neo4j知識圖譜和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源連接起來。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)庫的RAG，但在現(xiàn)實世界的問題中，單靠語義相似度往往不夠。你需...

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

阿里巴巴悄然發(fā)布了AgentScope。這是一個用于構(gòu)建多代理AI應(yīng)用的開源Python框架。老實說，如果你一直在玩AIagents，這玩意兒挺酷的。我花了點時間挖了挖它，我的收獲是：感覺終于有人試著做了一個不跟你對著干的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的賣點正好相反；一切都保持可見，你保持控制。沒有黑箱魔法。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想法：透明度...

使用TenorshareAI輕松檢測AI生成的文本并改寫，讓它繞過AI文本檢測器。我用過的最棒的AI文本人性化工具如果說現(xiàn)代大型語言模型（LLMs）有什么特別擅長的，那就是預(yù)測它們接下來要說的詞。這種能力讓聊天機器人能以自然的方式回應(yīng)幾乎任何問題，甚至還能通過聯(lián)網(wǎng)進行深入研究。不過，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)驗的人，我通常一眼就能看出文章是人工寫的還是機器生成的。那么，...

我遇到個麻煩：手頭有幾十（好吧，實際上是幾百）個PDF文件——研究論文、API文檔、白皮書——散落在各個文件夾里。搜索慢得要死，瀏覽更煩。所以我搞了個PDF問答引擎，能把文件吃進去、分塊、嵌入、用FAISS索引、找最佳段落，還能給個簡潔的回答（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聊天機器人常常依賴RetrievalAugmentedGeneration(RAG)，也就是檢索增強生成技術(shù)。這種技術(shù)讓機器人能從外部數(shù)據(jù)中提取真實信息來支撐回答。如果你用過“與你的文檔聊天”之類的工具，你就見過RAG的實際應(yīng)用：系統(tǒng)會從文檔中找到相關(guān)片段，喂給大語言模型（LLM），讓它能用準(zhǔn)確的信息回答你的問題。RAG大大提升了LLM回答的事實準(zhǔn)確性。不過，傳統(tǒng)RAG系統(tǒng)大多把知識看成一堆互不關(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——大部分AI工具就像那個滿嘴跑火車但啥也干不成的同事。不會寫代碼，不會做報表，連上網(wǎng)瀏覽都會崩。如果你現(xiàn)在就在用這種破工具，那真是選錯了。不過好消息是：市面上還真有能干活的AI工具！我來帶你看看10個靠譜的家伙，涵蓋了編碼、語音、研究、數(shù)據(jù)處理和網(wǎng)頁操作，全都基于你給我的信息。編碼工具1.GoogleJules—免費Jules就像你那個會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...

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，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)合了大型語言模型（LLM）的推理、工具交互和記憶能力，賦予工作流動態(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，并通過實際模式和應(yīng)用案例展示其價值。希望能給...

RetrievalAugmentedGeneration（RAG）是一種結(jié)合信息檢索和大型語言模型（LLMs）來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LangGraph和LangChain，我們可以進一步模塊化這個過程，將檢索器暴露為一個可調(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)用實現(xiàn)一個RAG系統(tǒng)。我將模擬一個餐廳助理代理，回答關(guān)于BellaVista餐廳的問題。目標(biāo)構(gòu)建一個基于RAG的代理，能夠：?將...

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

在構(gòu)建基于知識圖譜的RAG系統(tǒng)或使用LangChain的智能體時，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)點和關(guān)系。特別是當(dāng)使用較小的、量化的本地LLM時，這一點尤其困難，結(jié)果往往是AI系統(tǒng)表現(xiàn)不佳。LangChain提取功能的一個關(guān)鍵問題是它依賴嚴(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)余愛好者的每個人都能輕松地為AI助手接入真實世界的數(shù)據(jù)，從而大幅提升其能力。舉個例子，你可以像和同事聊天一樣與AI對話，毫不費力地讓它深入分析復(fù)雜數(shù)據(jù)集、發(fā)現(xiàn)隱藏模式、進行數(shù)值計算，甚至實時抓取網(wǎng)絡(luò)上的市場趨勢——整個過程自然流暢，就像普通對話一樣。MCP就像一個通用連接器，彌合了現(xiàn)代AI模型強大能力與...

大型語言模型（LLMs）正在改變我們與技術(shù)的互動方式，從聊天機器人到代碼助手，功能無所不包。但要高效運行這些模型可不是件小事，尤其是在需要速度、可擴展性和高吞吐量應(yīng)用的穩(wěn)定性時。如果你一直在用Ollama進行本地LLM實驗，現(xiàn)在想轉(zhuǎn)向vLLM以獲得生產(chǎn)級性能，這篇文章的主要目的是講解這兩個框架的區(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想象成開餐廳。如果只是給小...