摘要： 本文摘自微软Power BI官方示例库，目前一共有17篇。此篇借助工具将17个主页的截图汇总在了一起，方便后续在设计Dashboard的时候，能从中获取一些灵感。 阅读全文

摘要： 简单介绍OpenClaw核心八大 MD 文件，soul.md, identity.md, user.md, memory.md, agents.md, bootstrap.md, skill.md, heartbeat.md。 阅读全文

摘要： 继续上篇，此篇使用Microsoft Agent Framework 创建了一个简单的智能体，会根据用户的提问去调用相应的工具。 此篇不依赖Azure资源，仍使用可以本地安装和部署的资源。 阅读全文

摘要： MAF (Microsoft Agent Framework) 是微软用于构建 AI 智能体 (Agent) 的开发框架；Microsoft Foundry 是基于 Azure 的企业级 AI 开发与运营平台。两者紧密配合：MAF 负责开发智能体逻辑，Foundry 负责部署、托管与运维。 学习LangChain的相关文档好久了，今天决定看下微软这边相应的解决方案。查了下Foundry是支持本地部署的，此篇主要演示本地的版本，所以如果你没有Azure的话那么也可以在你电脑上运行本篇的代码。 阅读全文

摘要： OpenClaw 的梦境（Dreaming） 是一套“模仿”人类睡眠的后台记忆自动巩固系统，核心是把短期对话、任务记录，筛选、反思、评分后，把高价值内容固化为长期记忆，让 AI 智能体越用越懂你、上下文不丢失。 此篇通过一个可对照的实例，模拟 OpenClaw 梦境流程，观察memory和dream两个文件，帮助我们看懂龙虾到底是咋做梦的。 阅读全文

摘要： 突然发现最近好多Vibe Coding生成的技术方案都会用SQLAlchemy，所以编写了一个简单的code顺便拆解学习一下，特记录在此，方便后续知识回顾。 SQLAlchemy 是 Python 中最流行的 ORM（对象关系映射）库，它提供了一种将 Python 对象与数据库表结构映射的方式，使开发者能够使用面向对象的方式操作数据库，而不需要直接编写 SQL 语句。 总体感觉跟微软的LINQ to SQL有点像，但其有LINQ的特殊查询语言，而在SQLAlchemy下则都是通过类和方法来操作。 阅读全文

摘要： 此篇的学习笔记来自于B站强哥学编程，记录了关键的代码片段和知识整理，方便后续对相应知识点的复习，这一篇是RAG的关键LangChain代码。 RAG是一种结合了检索和生成的AI技术，通过从外部知识库检索相关信息，增强大语言模型的生成能力，从而提供更准确、更相关的回答。 此篇使用的LangChain版本是1.x，于2026年4月。 阅读全文

摘要： 去年在字节TRAE线下活动的一句提问，让我捕捉到SKILLS这个大模型新范式的苗头——它不是简单的工具调用，而是能让AI实现“按需加载能力”的渐进式革命。从CLAUDE率先提出，到字节TRAE的快速跟进，再到LangChain从“曲线适配”到Deep Agent原生支持，这半年，我完整见证了一个AI技术概念从圈内热议到全面落地的全过程，也读懂了技能模块化背后的行业趋势。 阅读全文

摘要： 最近在拿一个VibeCoding项目练手，顺手尝试了几种把本地系统接入到智能体的几种方案。 这里的智能体，泛指OpenClaw，LangChain Agent,Trae等。 阅读全文

摘要： 此篇来自对power bi gallery中，上市公司财务分析报告的DAX解析。 我用小龙虾读取了这个报告的公式，让其进行提取，说明，以及关键知识点的说明。 主要用于后续知识的review。 阅读全文

摘要： 用SKILL实现请假流程信息收集 以前的公司在OC里上线了机器人功能，可以对接HR系统，实现请假流程的对接。 相比以前的方式，如果需要请假，那么就需要单独的登录到HR的系统里，找到相应的页面，就成灰比较繁琐。 但是有了这个机器人功能，就可以在OC系统里，用对话的方式，完成这个请假的操作。 比如： 当 阅读全文

摘要： 给孩子报的猿编程Python C1的课程，最近学到了用Python来控制组装的遥控车。 正赶上最近OpenClaw很火，很多人都用它来做很多你想不到的事情，所以我就想，是否可以用小龙虾来操作这个遥控车呢？ 阅读全文

摘要： 2026年了，养虾了吗？能对接本地系统的方法了解下？ Skills听说过吧，AI圈里整天都在讨论的，，今天我们就通过它来让OpenClaw有能力对接我们本地的系统。 阅读全文

摘要： OpenClaw的Skill生态已达**13,000+**，但新手只需优先安装以下核心技能，就能快速解锁AI自主能力。按**安全→基础能力→进阶能力→场景化**分类，兼顾实用性与安全性。 阅读全文

摘要： 检索增强生成（RAG）有效结合LLM与外部知识库，降低模型幻觉，但传统“一次性检索-生成”模式存在检索僵化、无推理能力等局限。Dify推出的Agentic RAG（智能体驱动RAG），将检索嵌入智能推理循环，实现动态适配与迭代优化，大幅提升检索与回答的可靠性。 2026年1月6日来自Dify的一篇文章：https://dify.ai/blog/agentic-rag-smarter-retrieval-with-autonomous-reasoning 介绍了Agentic RAG和传统RAG的区别，使用场景以及局限性。 当然最主要的一个结论就是，告诉大家Dify是支持你去实现Agentic RAG的，也就是说，这不是一个完整的功能封装，而是需要你去拖拽实现。 阅读全文

摘要： 我们采用 **1输入+1隐藏+2输出** 的网络结构，全程用**具体数值示例**拆解前向传播、反向传播的每一步计算，让抽象过程直观化。 解决的问题是，根据一个输入的数字，判断其是正数还是负数。 借此来简单了解神经网络的过程。 阅读全文

摘要： 本文将基于Gradio的Interface，继续构建RAG系统的QA前端页面，对比上一篇对召回测试前端页面的构建，来对比在Gradio下，Blocks和Interface的两种区别。 阅读全文

摘要： 构建AI应用的前端方案有很多，这里介绍一个开源前端库---Gradio，通过它可以使用简短的代码就可以快速的实现简单的AI应用前端。这里我们选择的场景为做RAG召回测试，通过调用先前封装好的LangChain代码，来快速的搭建这个前端页面。 阅读全文

摘要： Streamlit 是一款专为数据科学家和机器学习工程师设计的 Python 库，可快速将数据脚本转换为交互式 Web 应用，无需前端开发经验，所以最近研究了一下，结合LangChain 1.0 实现了简单的智能问答前后端应用，大模型使用DeepSeek。 阅读全文

摘要： 前段时间有朋友问，是否能利用AI技术来辅助销售团队进行培训。 这里我就用LangChain来构建一个简单的模型，构建一个AI Agent，来简单演示下实现的思路。 AI Agent也就是我们所说的智能体，相比大模型，它可以让大模型的手伸出来，来进行信息获取甚至一些实质的操作。 通过此篇你可以观察到，通过AI Agent，你给它一堆工具之后，它是否能正确的依次使用每一个工具，并且是否跟我们人工的思考方式是一样的。 阅读全文