登录社区云,与社区用户共同成长
邀请您加入社区
这是一个 ERP + AI 智能体 系统的完整落地实录:把传统 ERP(物料管理、库存查询、出入库单据、质检管理)接入本地大模型,让用户用自然语言完成业务操作,数据完全不出企业。
作者分享了2026年上半年完成的20个Agent商业项目经验,指出真正顺利交付的仅7个,揭示了Agent开发的四大真相:多数人把Agent想简单、会用框架不等于能交付、市场已分层、一人公司需接单能力。文章建议打好工程基础、做真实项目、学习MCP/A2A协议,并分享了作者整理的避坑清单和转型资料。说几个数据,你们细品。2026年上半年,我接了20个Agent商业项目,最小的3万,最大的47万。客户有
本文总结了AOP(面向切面编程)的使用方法及其核心概念。首先介绍了代理模式,包括静态代理和动态代理(JDK动态代理、CGLIB等),并通过示例展示了静态代理的实现。随后详细讲解了AOP的概念、术语(如连接点、切入点、通知等)以及其在分离核心关注点和横切关注点中的作用。文章提供了多种Spring AOP实现方式,包括基于代理的自动/手动配置、AspectJ注解、@annotation拦截方法以及ao
这是 LingNova 企业级 Agent 项目的第二篇阶段性记录。阶段一我先用 Spring AI 跑通了对话、工具调用、Redis 窗口记忆和指标采集;阶段二想解决的,是另一个更现实的问题:当对话变长、任务变复杂、服务发生重启时,Agent 怎么还能够稳定地继续工作?
安装chocolatey、安装make、安装task以及使用make和task启动python项目
PyInstaller 是一个将 Python 程序打包成独立可执行文件(.exe)的强大工具。
闭包的核心是保留外层函数的状态,且状态对外隔离;工程中最常用的场景:装饰器、轻量级状态封装、延迟执行、策略模式、异步回调;适用场景:需要 “函数级别的状态复用”,但又不想定义类 / 用全局变量的场景。
这让我意识到,Agent开发的核心转变是接受"部分不可控”,再用工程手段把不可控框任一一输出校验、结果过滤、降级策略、兜底逻辑,后端也有,但程度大差地别后端校验参数格式,Agent还要校验内容的合理性和一致性。最后,主动展示你的工程优化,校验逻辑兜底模型输出重试机制处理工具失败、token消耗控制成本、异常监控告警,这些算法背景的人很少提,但你是后端,一定要王动拿出来,这是你的盾牌也是你的矛。工具
python3中的装饰器介绍及其应用场景
微观层。
Spring AI Alibaba Agent 结构化输出指南 本文详细介绍了如何使用 Spring AI Alibaba 1.1.2.0 实现 Agent 的 JSON 结构化输出功能。结构化输出允许 Agent 以固定 JSON 格式返回数据,便于程序化处理,特别适合数据提取和系统集成场景。 文章包含以下核心内容: 实现方式:推荐使用outputType(Class<?> type)自动生成
当下的 LLM Agent 有一个尴尬的现实:一旦训练完成并部署上线,它们就像一台被固定在出厂设置的机器——不管用户的需求怎么变,它们的能力都不会跟着更新。用户今天让它管文件系统,明天让它跑多 Agent 通信流程,它还是用同一套老参数在硬撑。
现在人人都在做 LLM Agent,Claude Code、Codex、AutoResearch、OpenClaw,产品已经真实落地了。但到底怎么构建一个好用的 Agent?
很多系统能找到“像是相关”的内容,却不保证这些内容真的能变成正确代码。作者特别强调,**语义上相似,不等于技术上可用**。这也是很多Agent会写出“看起来很像、实际上不对”的代码的重要原因。
表面实验看到的是 handoff 文本,但服务端在加密前完全可能追加后处理结果:工具输出摘要、关键决策节点、甚至某种更适合恢复任务状态的结构化表示。比如项目里的 AGENTS.md 怎么要求,当前 sandbox 策略是什么,哪些工具可用,哪些 skill 已安装,工作目录和 git 状态是什么。更可能是服务端掌握了从压缩、加密、保存、解密到重新组装上下文的整条链路。Claude Code 更像数
一套工程可落地的意图识别架构方案,帮你把高频意图的识别延迟从 200ms 降到 5ms,同时把成本砍掉 80%。
Agent,也就是我们常说的智能体。先下一个简单的定义,Agent是一个能够通过感知器(Sensors)获取外部环境(Environment)信息,并基于其内在逻辑,通过执行器(Actuators)采取具体行动(Action),从而实现既定目标的独立实体。
RAG 全称检索增强生成。不让大模型死记知识;先从你的私有文档、知识库里面检索出相关资料,再交给大模型参考资料进行回答。技术层面 RAG 本质 = 文档预处理‑向量化‑向量检索‑LLM 生成;商业层面 RAG 不要做通用工具,深耕垂直行业,依靠定制开发 + 订阅运维实现稳定盈利,后续升级为带长期记忆、工具调用的行业 AI 智能体,建立核心竞争壁垒。如果你需要,我可以再给你一份Python 最简可运
本文介绍了2026年Java开发者如何使用SpringAI Alibaba 1.1.2框架开发AI Agent。文章通过天气查询Agent案例,详细演示了从依赖配置到生产部署的全流程,重点讲解了ReAct框架、工具定义、系统提示词设计等核心概念,并介绍了1.1.2版本新增的AgentSkills特性。文章强调Java开发者无需学习Python即可构建生产级Agent,框架提供了从模型接入、Agen
本文探讨了Prompt Engineering在AI项目开发中的重要性,强调高质量Prompt设计对模型输出的决定性作用。文章系统讲解了Prompt的组成结构(角色、任务、上下文、约束和输出格式),并介绍了Few-Shot Prompt、CoT、ReAct等实用技巧。针对企业级应用,提出了Prompt模板化、RAG优化、幻觉治理、Token优化等解决方案,最后分享了Prompt版本管理和中心化设计
兄弟们,先抛个扎心问题:> 你是不是也遇到过这种情况——* Agent 工具塞了十几个,模型挑工具挑到“精神分裂”;* Prompt 越写越长,Token 烧得飞起,回答却越来越像“废话生成器”;
Spring AI 学习篇(十三)| AI Agent的核心原理与实现
additional-spring-configuration-metadata.json实现springboot自定义提示
前两天在技术群里看到一个段子——A:「我们老板说要搞 AI Agent,让我把 Spring Boot 项目改写成 Python 的。B:「那鉴权、事务、灰度、配置中心、链路追踪都要重做?A:「嗯……老板说这是『AI 转型』。B:「转型转型,转着转着就转岗了。群里笑归笑,但这事真不是个例。这两年聊 AI 的 Java 团队,基本只剩两条路在走:要么把自己摆烂成「调模型 API 的水管工」,给一个包
Spring AI是Spring的一个子项目,是Spring专门面向于AI的应用框架。Spring AI 项目旨在简化整合人工智能功能的应用程序开发,避免不必要的复杂性。汲取了著名的 Python 项目 LangChain 和 LlamaIndex 的灵感,但 Spring AI 并不是这些项目的直接移植。该项目的成立的信念:下一波生成式人工智能应用程序不仅将面向Python开发人员,而且将在许多
本文详细介绍了AI Agent这一继大模型后的新技术范式,涵盖其核心组件(记忆、工具、规划)及多智能体协同架构。Meta以140亿元收购Manus公司,彰显了AI Agent在编程开发领域的巨大潜力。文章通过图解方式,帮助小白程序员理解如何构建具有自主规划、工具协同与多模态交互能力的智能体,为未来编程开发提供新思路与技术方向。