微软 Skill-Recorder 项目全解析
微软 Skill-Recorder 项目全解析一、项目核心定义Skill-Recorder 是微软近期开源的轻量化AI技能生成项目，核心范式为示教（Demonstration）→ AI Skill → Automation，彻底区别于传统RPA技术。其核心逻辑可一句话概括：Teach AI by D ...
奇摩爱分享：大模型编程助手的落地实战经验
从选型逻辑到场景验证，分享大模型编程工具的落地实践经验，对比三种使用策略的效率差异，为企业技术选型提供参考。 ...
奇摩深度解析：WorkBuddy重塑企业开发效率
深度解析WorkBuddy如何从代码补全升级为全流程智能代理，通过三个技术支柱和实际场景数据，展示AI编程工具如何重构企业开发效率。 ...
官方 MCP C# SDK 发布 v2.0（翻译）
官方 MCP C# SDK 发布 v2.0 原文：Announcing v2.0 of the official MCP C# SDK（Jeff Handley，2026-07-28，.NET Blog） 由 DotCraft 翻译。 模型上下文协议 (MCP) C# SDK 已发布 v2.0，实现 ...
用 Python 写了个本地优先的 AI 家教：多种教学模式，教材当检索源，逐章掌握度分析
现在的 AI 已经能读万卷书、解万般题，人脑在"记住多少"这件事上确实追不上了。可工具再强也只是放大器，你自己长出来的本事，才是谁也拿不走、最踏实的保障。 ...
LangChain 学习笔记 11：回到 Embedding 与 Transformer，再看一遍 RAG
读到最后一章，书又回到 Embedding、相似度、注意力、Transformer、语义搜索和传统 NLP。起初我觉得这些内容像补充知识，重新对照前面的组件以后才发现，它们是在回答一个更基础的问题：RAG 为什么能找到“相近”的文字，模型又为什么能利用放进上下文的内容？ Embedding 做的是表 ...
用相关性分析消除“冗余特征”
刚开始学机器学习时，我也像大部分人 一样，有个很朴素的想法：特征越多，模型能学到的信息就越多，效果自然越好。 所以每次拿到数据，我就拼命往模型里塞特征——能算出来的统计量全加上，能衍生出来的比率全拼上。 一个原本 20 列的数据集，经常被我搞到七八十列。 然后我就发现事情不太对劲了： 训练时间明显变 ...
LangChain 学习笔记 10：接入很多模型，不等于系统真的可替换
LangChain 的一大特点是集成丰富：聊天模型、Embedding、向量库、Loader、Retriever 和工具都能找到不同实现。刚开始看会觉得，只要接口统一，底层服务就可以随时替换。 真正做迁移时才会发现，“代码能跑”只代表第一关通过。不同服务在能力、数据和运维上的差异，并不会因为套了一层 ...
DeepSeek V4 Flash 正式版登场：国产大模型的又一里程碑
DeepSeek V4 Flash 正式版低调上线API渠道，凭借超高性价比引发AI圈热议。实测显示，其多项性能指标逼近顶级大模型（如Opus 4.8），代码能力、工具调用等表现优异，速度达85 tokens/s，显存占用仅45GB，而价格仅为Claude的1/90。开发者实测反馈其执行效率高、试错... ...
国内AI办公智能体大战三巨头的桌面战争与飞书
国内AI办公智能体大战三巨头的桌面战争与飞书一、一个数字背后的行业拐点2026年7月，易观发了一份让整个科技圈安静了几秒的报告。《2026年Q2中国办公智能体平台市场洞察报告》显示：17款主流桌面端AI原生办公智能体平台，6月合计访问量突破6000万次。三个月前，这个数字还只有2000万。三个月，翻 ...
LangChain 学习笔记 09：从对话表单到 BabyAGI，看状态怎样驱动下一步
第 9 章后半放了两个看起来很不一样的案例：对话式表单负责把信息一点点收齐，BabyAGI 则围绕目标不断创建和执行任务。 一个很克制，一个很开放。但把它们放在一起看，会发现两者都在处理同一个核心问题：当前状态是什么，下一步应该怎样由状态产生？ 对话式表单的目标不是“聊得自然” 假设系统要帮用户预约 ...
15天学会AI应用开发（十八）使用LangGraph实现精确记忆功能
上一篇文章介绍了如何使用LangGraph实现会话记忆功能，可是历史会话又多又杂，难以全部记忆，开发者更希望AI应用记住关键信息，比如用户喜欢什么、爱好什么等等。 对于AI应用的精确记忆需求，LangChain支持在调用create_agent时输入store参数，以指定数据存储方式，接下来介绍如 ...
LangChain 学习笔记 08：一个 PDF 问答系统，真正要检查哪些环节
PDF 问答大概是最常见的 RAG Demo：上传文件，输入问题，几秒后得到答案。演示效果很直观，但“能回答一两个问题”和“能稳定处理一批真实 PDF”之间，还有不小的距离。 第 9 章把前面的 Loader、切分器、Embedding、向量库、Retriever 和问答链串到一起。这个案例最适合用 ...
通义千问回答里满是 #、** 和反引号？DS随心转先免费存 Markdown 再导出 Word
通义千问回答复制到 Word 后出现井号、星号和反引号，通常是 Markdown 标记没有被渲染。本文整理手动清理、Pandoc 转换和多轮对话导出的处理方法。 ...
借助 Skill 降低重复任务的 Token 消耗的实际应用--36
借助 Skill 降低重复任务的 Token 消耗的实际应用--36 --作者：李菠萝的多样空间 --创建时间：2026-07-31 术语速览 Skill：封装特定工作流的自定义技能。由入口文件、执行脚本和参考文件组成。通过格式固化与写入自动化降低模型每轮算力消耗。 SKILL.md：技能的核心定义 ...
LangChain 学习笔记 07：没有运行轨迹，LLM 应用只能靠猜来排错
传统接口报错时，我们至少能看到状态码和堆栈。LLM 应用更麻烦：它可能没有抛出异常，只是悄悄给出一个不完整、跑题或缺少证据的答案。 第 8 章介绍回调处理器。篇幅不算长，却提醒了我一件很重要的事：模型调用、检索和工具执行如果没有留下轨迹，系统上线以后几乎只能靠猜。 一次回答里到底发生了什么 一个 R ...
LangChain 学习笔记 06：Agent 会做选择，但不该拥有无限权限
让模型回答问题和让模型“去做一件事”，是两种完全不同的风险级别。前者答错了，通常还能被用户发现；后者如果调用了错误工具，可能真的发出邮件、修改数据，甚至产生费用。 第 7 章介绍 Agent、Tool、Toolkit 和 ReAct。它最吸引人的地方是模型可以自己选择下一步，但我读完后最想记住的反而 ...
基于端侧大模型的嵌入式 Skill 调度引擎实现智能业务生成的尝试
前言 近期在研究大模型（LLM） 与Skill（技能） 的结合应用，颇有感触。人类拥有绘画、编程等技能，依靠眼和手来完成；类比到嵌入式设备中，图像采集、数据传输同样是技能，只不过它们依靠板载硬件来完成。 通常，一块开发板的硬件资源是固定的，但上层应用是多变的。同一块板子，既可以在项目 A 中使用，也 ...
LangChain 学习笔记 05：聊天记录很多，不等于模型真的有记忆
用户说“还是按上次那个地址寄”，系统怎样知道“上次那个地址”指什么？这是聊天应用开始变得像助手的时刻，也是状态管理真正变麻烦的时刻。 第 6 章集中讨论 Memory。读这一章前，我容易把记忆理解成“把历史对话都塞回 Prompt”；读完以后，最大的变化是开始区分原始记录、当前上下文和长期事实。 版 ...
AI 核心概念解析总结：Agent、Copilot 与 LoRA（龙虾）--35
--作者：李菠萝的多样空间
--创建时间：2026-07-30
--学习的教学视频：Agent Skill 从使用到原理，一次讲清 --马克的技术工作坊
--辅助学习：Copilot助手，一问一答的方式学习，笔记也为对话总结
--声明：笔记包含AI生成内容
--想说话的话：这种复发没想到这... ...
