《末日突围》是一名初一学生在AI编程助手辅助下独立开发的3D第一人称战术射击游戏。游戏基于WebGL技术，以末日废土为背景，玩家在废弃封锁区中抵御僵尸围攻或与AI雇佣兵混战。游戏可在浏览器中直接运行，也可通过Windows桌面程序运行。 ...

很多 RAG 原型把“文档切块、向量检索、拼到 Prompt”当作终点。但真实问答的质量更取决于：检索材料是否相关、是否最新、是否有权限，以及它们能不能真正支持回答。 RAG 是一条信息供应链 文档加载、文本分块、Embedding、向量索引、查询改写、召回、重排序和生成，每一环都会影响最终答案。向 ...

本文讲解基于 LangGraph Server 服务搭建本地离线 AI Agent 的完整部署流程，适配 Windows 开发环境，全程无需调用公有大模型接口，实现纯本地化 AI 推理与工作流编排，帮助开发者快速搭建可调试、可复用的本地私有化 AI Agent 服务，适用于个人开发、本地功能调试、轻... ...

研究助手最容易制造一种“它查了很多网页，所以结论可靠”的错觉。真正有价值的自动化研究，应该把研究问题、来源、证据、推断和最终建议连成一条可以回看的链路。 先写研究协议，再开始搜索 开始前要明确研究对象、时间范围、地域、交付形式、可接受来源以及哪些问题不在范围内。Plan-and-Execute 的价 ...

结论 apim中rest实现的mcp，不需要更新2.0，它是不为2.0取决于客户端和后端服务 apim中mcp实现的mcp-server，需要有版本控制，版本不对，会出现问题 apim中的服务，如果中间走了聚合mcp服务，它返回的mcp版本取决于聚合服务的mcp版本 name: MCP Dual E ...

MCP 2.0（即 2026-07-28 协议修订版）是一次从架构到交互模式的重大升级。它最核心的变化是从“有状态的本地会话”转向了“无状态的分布式协议”，目标是让 MCP 成为 AI Agent 时代的真正基础设施。 下面是 v2.0 引入的核心新方法，以及与 v1.0 的主要变更对比。 M ...

面对“调研三家竞品并给出上线建议”这类任务，如果让模型一次性生成答案，很容易得到一篇结构完整、证据却松散的作文。规划的作用，是把模糊目标变成一组能执行、能检查、能恢复的步骤。 ReAct：边观察边决定下一步 ReAct 把推理与行动交替组织。Agent 先判断当前缺少什么，再调用搜索、数据库或代码工 ...

DeepSeek Harness 是 DeepSeek 开源的一款 AI 智能体开发平台：提供网页界面、会话管理，以及代码执行、文件操作、任务看板、SSH 运维等工具能力。 ...

多个月以后，面对满屏的代码无从下手时，些瓶将会回想起，他第一次接触 Coding Agent 的那个遥远的下午。这篇笔记主要记录了咱在 AI 编码方面的一些实践体会，以及配置 Pi Coding Agent 的一些小想法。 ...

Advanced‑RAG 是基于 Naive RAG 演化而来的高级检索增强生成方案，针对朴素RAG检索不准、上下文相关性差、召回噪声多等缺陷进行多层优化。该方案完全沿用朴素RAG的基础流水线模式、不改动核心架构，仅在各流程节点嵌入预处理、后处理增强模块，精细化优化检索环节。通过引入查询改写、重排序... ...

这是一个用来快速提取文档关键值的脚本，可以用来批量提取一批相同类型，但是不同型号的公共参数值，可以避免人工大量重复性的搜索和来回翻阅工作： 例如快速提取esp32_datasheet_cn.pdf的以下字段 | **型号** | **封装类型** | **工作温度(°C)** | **CPU 架构* ...

一个有记忆的个人助理，体验差异不在于它能复述昨天聊过什么，而在于它能把已确认的信息用到新任务里，并且知道哪些信息已经过期、哪些动作仍需重新确认。 我会把记忆拆成四层 第一层是不可变的事件日志，用于追溯发生过什么；第二层是会话摘要，用于压缩长对话；第三层是用户画像，只保存稳定且可修改的偏好；第四层是任 ...

连续对话里，用户说过的偏好、已经确认的约束和当前任务进度都不能每轮重新猜。但“把所有聊天记录都塞回上下文”并不等于记忆，反而会带来成本、噪声和隐私问题。 三类记忆解决三类问题 短期记忆维持当前会话的连续性，例如刚才确认的文件路径；工作记忆保存任务中间状态，例如已完成步骤、待验证假设和工具结果；长期记 ...

本文为DeepSeek Harness本地完整部署保姆级教程，适配Windows系统，全程零基础可上手。详细讲解Node.js26.7环境安装、DeepSeek官方仓库拉取、pnpm依赖安装、项目编译构建、Web服务启动，搭配LlamaCpp部署qwen2.5-1.5b本地量化模型，完成模型接口对接... ...

真正让 Agent 变得不稳定的，往往不是模型换了一种说法，而是工具接口没有把输入、权限和失败方式讲清楚。工具本质上是模型与真实系统之间的一份契约：模型负责提出调用意图，应用负责决定这次调用能否发生。 一个好工具先要“容易被正确选择” 工具名、描述和参数 schema 都会参与模型判断。search ...

向量检索增强生成（RAG，Retrieval‑Augmented Generation），是弥补大语言模型固有缺陷的关键技术。它可接入私有文档、内部笔记等外部数据源，有效缓解训练数据滞后、知识固化、回答幻觉等问题，输出更为精准可信的内容。Naive RAG 即朴素 RAG，是 RAG 体系中最基础原... ...

聊天模型只能根据上下文生成内容。它不知道实时天气、订单状态，也不能凭空计算一个复杂结果。Agent 之所以能够“做事”，是因为应用把外部能力包装成了模型可以选择的工具。 Tool Use 解决了什么问题 工具调用把一次请求拆成两个角色：模型负责判断是否需要动作、选择哪个工具和填写参数；程序负责真正执 ...

背景：机器学习项目中「重复劳动」到底占了多少时间 很多人以为机器学习工程师的时间主要花在建模上。实际上，一套ML项目从数据到上线，真正花在算法创新上的时间往往不到三成，大量精力都消耗在了数据处理、环境配置、实验记录这些重复环节。 数据清洗：处理缺失值、格式转换、特征对齐，琐碎但必不可少。 环境搭建： ...

背景：大模型为什么「答非所问」越来越多 使用大模型做编程辅助的人，几乎都遇到过同一个困扰：模型输出的代码看起来很专业，但仔细一看，变量命名对不上、依赖库版本不匹配、甚至接口名都是编造的。 这不是模型退化了，而是「上下文」出了问题。大模型本身没有记忆，它每一次回答，都只依赖你喂给它的那一段上下文。上下 ...

背景：AI编程工具的普及为何没有自动带来效率提升 过去两年，AI编程助手从概念走进了几乎每个开发者的日常工作流。打开编辑器，自动补全、代码生成、单元测试写作，这些功能看起来已经足够成熟。 但事实是，工具普及并不等于效率提升。很多团队装上助手之后，代码产出的速度确实变快了，可返工率、上下文切换成本、以 ...