相关文章
289 篇高质量内容
正本清源：企业 AI 不是建在 Harness 上，而是用 Harness 承载业务流程
AI工程化不是要取代业务流程，而是让业务流程在AI时代变得可执行、可治理。 核心内容： 1. 正本清源：Harness是模型之外的工程系统，而非业务流程的替代品 2. 深入解析：Harness作为AI的“工作装置”，让模型能安全执行企业任务 3. 回归本质：企业AI必须围绕业务流程构建，Harness是其工程化的执行载体
AI Agent 慢在哪？Node.js 探针把模型、工具和服务链路一次串起来
Node.js 探针如何打通 AI Agent 全链路监控，让慢速问题无处遁形。 核心内容： 1. Node.js 作为链路汇聚层面临的跨层监控挑战 2. 探针如何统一追踪异步调用、运行时健康与 AI 调用 3. 构建端到端可观测性的具体方法与价值
拆解LangChain刚开源的OpenWiki：如何落地个人Wiki知识库
OpenWiki开源项目落地个人Wiki知识库，为代码库生成和维护Agent可读文档，推动知识管理新范式。 核心内容： 1. OpenWiki项目背景：Karpathy的LLM Wiki理念与Google Cloud的OKF开放规范 2. 技术实现：基于LangChain/LangGraph，支持多LLM，为代码库生成结构化Markdown文档 3. 应用价值：不仅维护知识库，还内置Agent模式支持问答，降低知识管理成本
LangGraph Runtime 是什么？一文讲清Runtime与Context的作用与用法！
本文深入解析LangGraph Runtime机制，帮你理清状态管理与运行环境分离的关键设计，提升AI Agent开发效率。 核心内容： 1. Runtime解决State臃肿与运行依赖混杂的核心问题 2. Runtime、State、Context三大组件的职责与协作关系 3. 节点如何访问运行时信息，实现高效上下文管理
拆解Agent Harness的11大核心组件与工程实践（附下载）
揭秘Agent Harness如何让大模型智能体从演示走向实战，突破复杂任务瓶颈，实现稳定落地。 核心内容： 1. Agent Harness的核心定义与底层逻辑剖析 2. 生产级Agent Harness的11大核心组件详解 3. 行业实践与资料获取指引
让 Agent 快速上生产：基于 OceanBase 和 LangChain 打造的智能体系统解决方案发布
智能体工程套件AgentSeek发布，助开发者快速构建具备数据闭环能力的智能体飞轮，实现上线即学习的起点。 核心内容： 1. AgentSeek的定位：智能体工程套件而非新框架 2. 智能体工程的核心：构建数据闭环与持续学习进化 3. AgentSeek的实践价值：帮助开发者快速上生产
用两行代码将 AgentRun 集成到你的应用
AgentRun 让 AI Agent 集成变得简单，只需两行代码即可将你的 Agent 接入现有应用。 核心内容： 1. AgentRun 如何通过兼容 OpenAI 协议简化集成流程 2. Agent 运行时提供的强大后端能力（工具、知识库、记忆等） 3. 覆盖代码、UI、IM、事件等五种集成路径
万字讲透Agent Harness的十二大模块
探索Agent Harness的奥秘，揭秘如何将普通LLM升级为高效智能体的核心技术。 核心内容： 1. Agent Harness的核心组件与功能解析 2. 主流AI公司(Anthropic/OpenAI等)的实践案例 3. 从原型到生产级应用的关键优化策略
同一个模型，换个Harness排名跳了25位：智能体基础设施完全解剖
同一个模型，换个Harness排名飙升25位！揭秘智能体表现差异的关键因素。 核心内容： 1. Agent Harness的定义与核心架构解析 2. 头部玩家在智能体基础设施上的实践对比 3. 三层工程理论对AI系统性能的影响机制
LangChain的DeepAgents子代理实战：复杂任务为什么一定要交给 SubAgent
LangChain的DeepAgents子代理系统解决了复杂任务中Agent"精神分裂"的痛点，让每个子代理专注一项任务，大幅提升执行效率。 核心内容： 1. 传统单一Agent处理复杂任务时的问题分析 2. 子代理系统的三大优势：上下文隔离、专业化和并行化 3. DeepAgents提供的三种子代理类型及应用场景
LangChain的DeepAgents工具体系全解析：MCP、Skills 与沙箱安全怎么配合
DeepAgents 工具设计揭秘：如何让Agent从实习生变身靠谱助手？ 核心内容： 1. 内置工具的巧妙设计：从任务管理到文件操作，每个工具都暗藏玄机 2. Skills系统如何封装领域最佳实践，实现工作流复用 3. MCP与沙箱安全机制如何构建完整的工具生态系统
实现一个基于LangChain 的 RAG 智能问答Agent实践
从零搭建RAG智能问答系统，手把手教你实现文档加载、向量存储到多轮问答全流程。 核心内容： 1. 多格式文档加载与智能文本切分技术 2. 基于LangChain的端到端RAG实现方案 3. 使用Langfuse进行LLMOps全链路监控
都 2026 年了，为什么还有人分不清 LangChain 和 LangGraph？
LangGraph 不是 LangChain 的升级版，而是解决 Agent 系统复杂性的关键工具。 核心内容： 1. LangChain 与 LangGraph 的本质区别：前者是快速搭建 LLM 应用的工具，后者是处理复杂 Agent 系统的框架 2. LangChain 的优势与局限：降低开发门槛但难以应对分支、回退等复杂场景 3. 项目复杂度升级时，从"链"到"图"的思维转变是构建可靠 Agent 系统的关键
langchain4j 新版混合检索来了，RAG 准确率直接拉满
langchain4j 1.11.0发布，PgVector模块原生支持混合检索，彻底解决RAG检索不准的痛点！ 核心内容： 1. 纯向量检索的三大硬伤与RAG幻觉问题根源 2. 混合检索技术原理与SQL实现解析 3. PIGAI对主流向量数据库的完整适配方案
探秘 AgentRun丨为什么应该把 LangChain 等框架部署到函数计算 AgentRun
阿里云函数计算 AgentRun 让 LangChain 等框架轻松升级为企业级应用，享受 Serverless 运行时和全链路可观测能力。 核心内容： 1. 本地开发与生产环境的鸿沟及 AgentRun 的解决方案 2. 具体部署流程：从安装工具到运行示例 3. AgentRun 提供的五大企业级能力详解
自建一个 Agent 很难吗？一语道破，万语难明
自建Agent其实并不复杂，本文分享如何在一周内为传统研发平台快速接入AI开发能力。 核心内容： 1. 传统研发平台接入Agent的三种技术方案对比 2. 基于FaaS+Next.js的轻量级实现路径 3. 上下文管理与数据流转的实战设计
全球首个Skills Vibe Agents，AtomStorm技术揭秘：我是怎么用Context Engineering让Agent不"变傻"的
全球首款Skills Vibe Agent如何突破Context Engineering难题？揭秘让AI不"变傻"的核心技术。 核心内容： 1. Agent开发中遇到的三大"痴呆"问题及原因分析 2. Context Window注意力机制的本质与常见误区 3. AtomStorm实现Skills Vibe Agents的关键技术突破
快速上手：LangChain + AgentRun 浏览器沙箱极简集成指南
LangChain与AgentRun浏览器沙箱的极简集成指南，让AI智能体轻松获得"上网"能力。 核心内容： 1. AgentRun浏览器沙箱的核心特性与云原生架构 2. 主要应用场景：从AI赋能看到数据采集 3. 基于Python SDK的快速集成方法与生命周期管理
为什么大模型企业都在强调可以连续工作XX小时的Agent和模型？长时运行Agent解析（Long-Running Agents）
为什么AI企业纷纷押注长时运行Agent？揭秘从"快速应答"到"可靠执行"的产业升级。 核心内容： 1. 长时Agent的定义与产业需求背景 2. 异步作业能力带来的三大价值转变 3. 实现耐久执行的关键技术架构
单agent落幕，双agent才能解决复杂问题！附LangGraph+Milvus实操
双Agent架构解决长周期开发难题，LangGraph+Milvus实战指南助你精准落地！ 核心内容： 1. 长周期Agent落地的两大失效模式与根本原因分析 2. 双Agent架构设计（Initializer+Coding）的分工机制与实现逻辑 3. 基于文件与向量数据库的状态恢复方案及测试驱动开发实践