登录社区云，与社区用户共同成长
邀请您加入社区
鸿蒙/移动开发：四年移动端，我转型做了端侧AI应用
文章探讨了AI大模型发展的两条扩展定律：预训练（更大规模）和后训练（思考更久）。尽管业界一度认为强化学习是主要方向，但预训练仍至关重要，OpenAI等公司已调整策略重新重视预训练。作者预测预训练将在2026年迎来复兴，这将影响数据中心扩建和AI硬件发展方向，对AI从业者和投资者把握行业未来至关重要。
本文详细拆解了智能体系统的三层架构，深入解析了LangChain、LangGraph和MCP三大框架的功能与落地方法，并介绍了工具层、知识库层、AI IDE层的作用与实施建议。文章提供了从最小智能体到企业级系统的完整落地路线，强调智能体系统是逐步演进的工程，关键在于将智能嵌入业务流程，而非简单接入大模型。
本文将探讨如何利用大语言模型（LLMs）的对话能力，并结合**检索增强生成（RAG）**架构，解决硬件知识更新迅速、兼容性约束复杂的问题。与传统的搜索或表格查询不同，AI助手通过自然语言界面，允许用户用模糊的语义（“性价比高的”）或复杂的意图（“玩游戏但也要兼顾渲染”）进行提问。解决这些问题的关键技术，在于将LLM的强大推理能力与外部的、实时、准确的领域数据库结合，即**检索增强生成（Retrie
过去两年，“AI智能体（AI Agent）”这个词频频出现在各种会议和论文中。有人说它是“下一个操作系统”，有人说它将“重塑所有应用”。但在喧嚣背后，真正懂智能体逻辑的人却不多。今天这篇文章，我们不讲空洞概念，而是带你从底层原理到落地实践，彻底弄清楚：智能体到底是什么？为什么现在是构建它的最好时机？如何一步步设计、编排和安全运行一个Agent？最后，我们还将用 LangGraph 框架写一个可直接
文章摘要： 本文探讨了AI在联调造数场景中的应用演进，从单agent到多agent方案的升级过程。单agent模式通过prompt工程和工具治理解决简单造数需求，但随着工具膨胀和场景复杂度提升，演进为多agent协同架构。系统设计了智造对话框和小智机器人作为交互入口，搭建alsc-jmanus服务层管理agent和pipeline，并通过alsc-mcp平台实现工具治理。核心挑战包括prompt工
本文介绍了两种AI大模型推理策略(ReAct和Plan-and-Execute)在智能产品"小智伴"中的应用。ReAct模式通过推理-执行循环实时调用工具，适合需要频繁查证的任务；Plan-and-Execute则先规划再执行，适用于复杂多步骤任务。文章详细阐述了从需求分析到流程图设计，再到代码实现的完整推理步骤拆解方法，并提出了包括匹配度评估、评测集验证和人工兜底在内的结果评
本文详细介绍了"小智伴"系统中模型模块的设计与实现，重点解析了大模型底层原理、模型选择策略、参数配置与部署要求。文章以DeepSeek-V3为例，展示了基于LangGraph框架的Agent架构设计，并提供了核心代码实现。强调了在AIGC时代，培养问题定义能力和技术选型判断力比掌握单一技术更为重要。
