簡介 文章分享了將AI Agent技術應用於"智能播報助手"和"批量建任務"兩個業務場景的實踐歷程，闡述了AI Agent與傳統工程系統深度融合而非完全替代的有效路徑。通過MCP協議擴展Agent能力邊界，實現報表自動監控和釘釘消息推送；在批量建任務場景中，探索了Agent與工程結合的最佳實踐，強調應準確理解技術邊界和長處，構建高效穩健的解決方案。
寫在前面的話： AI Agent本質就是大模型調用工具的能力，前段時間爆火的Manus其實就是它的應用。 打個比方，如果你要做個攻略，你把時間安排告訴大模型，比如：準備7月26號坐火車去西安，準備玩一個星期，想去著名景點玩，吃些當地好吃的。那麼大模型就會跟你對話，把完整攻略做好。而只有攻略其實還不夠，因為定車票、住酒店、查地圖這些操作還要自己
序言 大模型已經深入到我們的生活的方方面面，不知不覺中我們的手機電腦，電子設備、辦公需求都被大模型所顛覆，那麼擁抱AI大模型已經是不可阻擋的一個發展趨勢！微調大模型成為必須的一門技能！ 擁抱AI從大模型運行環部署開始 本片文章將會三篇文章來詳細描述大模型的環境部署、模型微調、實戰微調一個意圖分類小模型、實戰記錄下用户分類意圖模型是怎麼練
前言 大家好，如果你剛接觸LangChain v1.0框架，這篇文章將帶你快速上手三個核心概念：模型消息格式、流式響應和結構化輸出。這些功能是構建聊天機器人、代理或複雜AI應用的基礎。文章基於官方文檔，結合完整樣例代碼，力求通俗易懂。假設你已安裝LangChain（pip install langchain）和OpenAI（pip install
前言 本文將詳細介紹如何搭建和使用 DeepSeek + 本地知識庫！ 我們會從兩種主流的搭建方案入手，分別是基於 Cherry Studio 和基於 AnythingLLM 的搭建方法。每一種方案都有其獨特的優勢和適用場景，我們將通過詳細的步驟和實際操作，幫助你快速上手，讓你也能擁有一個屬於自己的智能知識庫。幾分鐘帶你學會~ 為什麼選
前言 最近，我開始嘗試構建不同類型的 Agentic AI 系統，最讓我着迷的，是“單智能體（Single-Agent）”和“多智能體（Multi-Agent）”的差異。 説實話，在沒真正動手之前，我也只是聽過這些概念，覺得聽起來很玄。直到我用 LangGraph 和 LangSmith Studio 親自搭建了兩個版本，一個“單兵作
