Alkaid2077

摘要： Stage 1 我们从零手写搭建了具备对话交互、结构化输出、工具调用、循环防护的最小 Agent，完成了智能体的基础运行闭环。但目前的原生 Agent 仍存在三大核心短板：无法调用专业业务工具、没有长效外部知识库、不具备持续记忆能力，完全无法适配企业级落地场景。 因此我们正式进入 Stage 2 进 阅读全文

摘要： 工具调用让模型拥有了执行能力，而自主循环与安全机制，是 Agent 能够稳定落地生产环境的核心保障。 承接上篇单次工具调用能力，本篇重点解决 Agent 工程落地的核心痛点，搭建 Observe-Think-Act 完整自主循环，实现多轮自主推理与迭代任务，同时针对性解决死循环、接口超时、程序崩溃、 阅读全文

摘要： 很多新手复制 AI 生成的大模型调用代码，一运行就直接红字报错、程序强制终止：密钥填错、网络卡顿超时、平台限流、模型名称输错……看不懂英文报错，程序一崩整个工具直接废掉。本文只讲 AI 开发场景专用的异常捕获代码，不用懂复杂计算机原理，实现两个核心效果： 后台打印详细错误，方便你自己排查问题；对外返 阅读全文

摘要： 普通大模型对话只能依托固有知识应答，无法适配真实场景的复杂需求，而工具调用是区分普通对话模型与智能 Agent 的核心关键。承接上篇 LLM 基础能力，本篇聚焦 Agent「手脚能力」搭建，手把手讲解自定义工具函数、标准化工具描述文档、解析模型工具调用指令、执行本地任务并回传结果的完整流程，让模型突 阅读全文

摘要： 很多初学算法的同学，都会被 大O复杂度 搞懵：明明学了O(1)、O(n)、O(n²)，却不知道为什么小数据下慢的算法反而更快，也分不清时间、空间复杂度的核心区别，刷题、面试屡屡踩坑。 其实大O复杂度根本不用死记硬背，它的核心逻辑特别简单。今天用最通俗的人话，一次性讲透时间复杂度+空间复杂度，彻底搞定 阅读全文

摘要： 在 Stage 0 我们完成了 Agent 基础认知与工程选型，现在正式进入实操编码阶段。在第一阶段，我们计划搭建最小的 Agent Loop 完成以下目标： 会用一个 LLM API 完成普通对话。 会让模型输出结构化 JSON。 会定义一个工具函数，例如 search、calculator、re 阅读全文

摘要： 上一篇，我们了解了 Agent 基本概念和循环，本篇，我们将结合 Anthropic: Building effective agents 和 OpenAI: A practical guide to building agents，聚焦工程落地实战，详解 Agent 选型原则、官方架构体系、五大经 阅读全文

摘要： 这个系列讲带领大家亲自搭建属于自己的 Agent，深入理解 Agent 是如何组合而成的。在系列的最开始，将对 Agent 相关基本概念进行介绍，分为上下两个章节带领大家完成以下学习目标： 区分 chatbot、workflow、agent、multi-agent。 理解 agent 的基本循环：o 阅读全文

摘要： 在上一篇文章中，我们介绍了如何通过 API 调用 来使用大模型（例如通义千问的兼容 OpenAI API 模式）。这种方式轻量、灵活，但也存在一些限制：需要稳定的网络、API Key 管理，以及调用成本。 在本篇文章里，我们转向本地化部署。我将以 Ollama 部署 DeepSeek 为例，展示如何 阅读全文

摘要： 在大模型应用开发中，除了本地推理（如 vLLM、transformers），API 调用是更常见、更轻量的方式。本文以通义千问（DashScope 兼容 OpenAI API）为例，展示如何完成一次完整的 API 调用。 一、为什么选择 API 调用 轻量：无需本地部署 GPU，只需一行请求即可调用 阅读全文