LangChain 学习笔记 02：把模型 I/O 做成可靠的输入输出契约
如果模型只负责写一段文案，返回自由文本通常够用；如果下一步要创建工单、查询数据库或调用支付接口，“大概是这个意思”就远远不够了。 第 3 章把模型包装器、提示词模板和输出解析器放进同一个“模型 I/O”模块。这个划分让我意识到，模型调用也应该像普通接口一样有契约：输入有哪些字段，输出是什么结构，失败 ...
奇摩技术说：大模型时代的工作流新范式
奇摩技术说：大模型时代的工作流新范式 一、范式转移：从"会用什么工具"到"能用AI做什么" 大语言模型的技术迭代正在重塑企业工作流的底层逻辑。过去，招聘时总会问"你熟悉哪些工具"，而如今更值得关注的是如何让AI参与到每一个工作环节中。这不仅是效率问题，更是一种全新的生产力组织方式。 传统工作流：人→ ...
奇摩来教你：WorkBuddy如何重塑工作效率
奇摩来教你：WorkBuddy如何重塑工作效率 一、效率瓶颈：当代知识工作者的时间都去哪儿了 现代职场人的日常工作正在被碎片化蚕食。据相关调研数据显示，知识工作者平均每天在工具切换上消耗超过90分钟，在重复性文档处理和代码查找上又占用约70分钟。邮件回复、会议纪要、报告整理这些"必要但不增值"的事务 ...
LangChain 学习笔记 01：从一次聊天调用看懂组件与组合
第一次写聊天程序时，代码很容易给人一种“已经完成了”的错觉：传入一句话，模型返回一段话，终端里也确实打印出了答案。 但只要继续加两个需求，比如“回答必须保持固定格式”和“把每次调用记录下来”，原来那几行代码就会迅速膨胀。第 2 章从第一个聊天机器人讲起，我觉得它真正想建立的不是某个 API 的记忆， ...
用方差阈值过滤掉“惰性特征”
在机器学习实战中，我们常常把精力花在调参和选模型上，却忽略了一个更基础的问题：喂给模型的数据里，有多少特征是真正有用的？ 刚开始学机器学习那会儿，我特别喜欢堆特征，不管有用没用先一股脑全塞进去，总觉得特征越多模型越聪明。 直到有一次跑练习数据集，X_train.shape 直接干到了 (50000, ...
WorkBuddy：企业级AI编程的落地实践 ｜ 奇摩来教你
WorkBuddy：企业级AI编程的落地实践 AI编程工具从个人使用到企业级部署，中间隔着相当大的鸿沟。WorkBuddy 的特殊之处在于，它从一开始就以企业场景为设计出发点，因此在实际落地过程中展现出了显著的优势。 企业级部署的核心挑战 大型企业在引入AI编程工具时，通常会面临几个核心问题：数据安 ...
WorkBuddy：AI编程助手如何改变开发者的日常 | 奇摩讲故事
WorkBuddy：AI编程助手如何改变开发者的日常 如今，AI辅助编程已经不再是科幻电影里的桥段，而是真实发生在每个开发者屏幕前的日常。不得不说，在众多AI编程工具中，WorkBuddy 凭借其出色的代码理解和自动化能力，正在悄悄改变着开发者的工作方式。 从写代码到理解业务 传统的编程工具更多是一 ...
LangChain 学习笔记 00：先搭一张 LLM 应用开发地图
刚接触 LangChain 时，我有过一个很直接的疑问：调用大模型不就是发一次 HTTP 请求吗，为什么还需要专门学一个框架？ 把 Demo 写到几十行以后，答案就慢慢出现了。提示词要维护，聊天记录要裁剪，模型输出要校验，私有文档要检索，工具调用要鉴权，线上问题还得能追踪。麻烦的从来不是“把请求发出 ...
Remotion Skill vs HyperFrames Skill：AI视频圈两大技能包正面交锋，最好的对手，最好的搭档？
Remotion 是 Jonny Burger 在 2021 年开源的项目，GitHub 上 2 万多 star，用 React 组件写视频。HyperFrames 是 AI 视频公司 HeyGen 的开源项目，用 HTML + GSAP 时间轴写视频。它们最初都是程序员手写代码做动画的工具。后来各... ...
"Scaling Teams or Scaling Time? Memory Enabled Lifelong Learning in LLM Multi-Agent Systems" 论文笔记
LLMA-Mem 目前挂在 Arxiv 26.04 上，探讨了 LLM 多智能体系统中 "横向扩展团队规模" 与 "纵向积累时间经验" 两种扩展维度之间的交互关系，提出通过记忆设计实现更高效的终身学习 背景 LLM 多智能体系统（Multi-Agent Systems, MAS）可以通过两个不同维度 ...
Happy-LLM 学习笔记 12：把主线和扩展章节收束成一条工程学习路线
写到第 12 篇时，我更愿意把 Happy-LLM 看成一条从概念到工程的学习路线，而不是一本按章节读完就结束的教程。它的主线很清楚：先补 NLP 和 Transformer，再看预训练模型如何发展到 LLM，随后进入动手搭建、训练、对齐，最后落到生成、RAG、Agent 和具体应用。这个顺序的好处 ...
Happy-LLM 学习笔记 11：小模型微调、Thinking Budget 和多模态拼接的工程启发
补充章节读下来，我最大的感受是：LLM 工程并不是只围着“更大的模型”转。真正落地时，常见问题反而是数据能不能出内网、成本能不能压住、延迟能不能接受、上下文格式是否稳定。大模型给了能力上限，但业务常需要可控、便宜、可部署的边界。 这几篇 Extra-Chapter 把几个主题串了起来：小模型微调、v ...
Happy-LLM 学习笔记 10：评测和 Agent，让 LLM 从模型走向系统
学到第七章后，我对“大模型应用”的理解开始从单次问答转向系统工程。RAG 解决的是知识如何进入上下文，而评测和 Agent 关注的是另外两个问题：模型到底能不能被信任，以及模型怎样从“会回答”变成“会做事”。 这两个主题放在一起很自然。没有评测，Agent 的每一步都像黑箱；没有 Agent，评测也 ...
作为 Claude 重度用户，我总结了 Claude 的 13 个臭毛病！
大家好，我是R哥。 最近我的 Claude 账号也被封了《麻了！我的 Claude 老账号也被封了….》，无所谓了，反正它不是非用不可。 作为 Claude 重度用户，这篇就来说说 Claude 到底有多恶心，有多抠门？？ 我细数了 Claude 的 13 个臭毛病，说的不对，欢迎你来骂我！！ 1、 ...
Happy-LLM 学习笔记 09：RAG 的关键不是接个向量库，而是把知识流转设计清楚
第七章开始进入大模型应用，RAG 是其中最容易被低估的一块。很多教程会把它讲成"文档切块、向量化、相似度检索、塞进 prompt"，流程看起来很顺，但真正落到工程里，问题往往不在能不能跑通，而在检索到的知识是否完整、是否相关、是否能被模型稳定使用。 Happy-LLM 的 Tiny-RAG 实现很适 ...
Claude Code 最强Skills路由器：/ask-matt 完全上手指南（入门篇）
很多人兴致勃勃地装了 Matt Pocock 的 Skills 之后，大概率只用过其中两三个。剩下的一直躺在列表里——不是没用，是你不知道什么时候用、按什么顺序用、用完之后下一步接什么。 ...
Happy-LLM 学习笔记 08：模型每次吐一个 token，解码策略到底在控制什么
前面几篇都在讲模型怎么训练出来，这一篇换一个角度：模型推理时每一步只输出一个 token，那"选哪个 token"这件事，其实才是用户直接感受到的产品行为。Happy-LLM 的额外章节把生成方式单独拎出来讲，读完后我最大的感受是：解码策略不是锦上添花的小参数，而是模型能力和使用体验之间的最后一层接 ...
15天学会AI应用开发（十七）使用LangGraph实现会话记忆功能
上一篇文章采用langchain_community包协助LangChain实现了对话记忆功能，但langchain_community属于早期链式架构的临时补丁，仅适配简单线性对话。 LangChain官方推荐使用LangGraph实现复杂的会话记忆功能，LangGraph是从底层统一管理全流程 ...
Mem0 源码阅读笔记
Mem0 源码阅读笔记 版本：mem0 main 分支，commit dd5f7e39 1. 核心概念与大致架构 1.1 定位与三段式数据流 Mem0 把自己定位为「AI agent 的记忆层（memory layer）」。一条记忆（memory）的写入与检索，本质是三段式流水线： 原始对话/文本 ...
