前四篇搓出来的 agent 有一个隐藏的定时炸弹：上下文窗口是有限的。对话越长，消息历史越大。工具调用的结果尤其占空间——一次 run_bash 可能返回几千行日志，一次 run_read_file 可能读回一整个文件。聊着聊着，token 数就逼近模型的上下文窗口上限了。到了上限会怎样？要么 AP

前三篇搓出了一个能执行命令、会列计划、还能按需加载知识的 agent。一个人干活，从头干到尾。大部分时候这没问题。但有些场景会让单个 agent 很为难。比如用户说"帮我用 Java 搭一个 Spring Boot 项目，然后写个 README"。这里面涉及两个差异很大的领域：J

前两篇我们搓出了一个能执行命令、读写文件、还会列计划的 agent。功能上够用了，但有个尴尬的问题：它什么都知道一点，什么都不精通。你让它写个 React 组件，它写得出来，但可能用的是过时的 class 组件写法。你让它配置 Nginx，它也能给你一份配置，但可能漏掉了安全相关的 header。这

上一篇咱搓了一个能跑命令、读写文件的最简 agent。它能干活，但干活的方式有点"愣"——用户说一句，它做一步，做完就忘了自己在干嘛。碰到简单任务还好。一旦任务稍微复杂点，比如"帮我创建一个 Flask 项目，包含用户注册和登录功能"，问题就来了：模型可能写完

手搓 Claude Code（一）：用 100 行代码实现一个最简 Agent最近大半年用 Claude Code 写代码，太好用了，但是它是咋工作的呢或者说我们应该怎么构建一个 agent？？？抛开那些花哨的 UI 和工程细节，一个 coding agent 的核心其实没那么复杂。这篇文章就用 L

现在的大模型已经非常聪明，但是像我这种“求知欲”比较强的人就会好奇为什么你问什么它答什么，它是怎么拥有这种能力的？为什么有时候在 Prompt 里我们给它几个例子，它就能做得更好？大模型的训练周期首先把它的生命周期分成两个阶段：预训练和推理。预训练（Pre-training）：十年寒窗苦读这预训练阶

文档原地址：https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf这是OpenAI出具的一份面向产品和工程团队的构建AI智能体的实用指南，主题是如何构建基于大语言模型（

Agno之Agent篇——Model和Tools

什么叫特么的Agentic RAG！

（持续更新）任何疑问欢迎留言评论打破信息差！本文旨在总结推荐一些开源大模型应用和大模型推理工具，方便快速开发属于你自己的大模型应用。大模型开源应用一、Dify生成式 AI 应用创新引擎开源的 LLM 应用开发平台。提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力