暂无搜索历史
在实际 AI 智能体落地场景中,会遇到两类困境:空有一堆工具能力却难以融入业务场景实现中,或是缺少可调用的基础工具,难以快速搭建贴合业务的智能工作流。
流畅稳定的会话交互与合理高效的记忆管理,是决定Agent 龙虾使用体验与智能上限的核心关键。实际中常会遇到对话上下文错乱、历史消息冗余堆积、多轮会话状态丢失、长...
做龙虾的二次开发,是不是常被这些问题卡壳?生命周期不好扩展、用户指令和自然语言混在一起难维护、多用户并发乱序、中断后状态丢了、启动速度慢等等。
在Agent 智能体开发领域,轻量化、高扩展性是开源框架必备技能,Nanobot的分层架构与多样化内置设计模式,成为适配多业务场景的优质智能体开发框架。Nano...
在领域设计中管理对象的生命周期是至关重要的。本节介绍三种生命周期管理的模式:聚合 Aggregate,工厂模式 Factory,仓储模式 Repository。
在 DDD 领域设计里,把业务里的概念变成代码对象一点都不难,但难就难在把这些概念背后真正的业务含义给精准表达出来。想要做好这件事,就得先把各类设计元素的作用掰...
龙虾 Openclaw 其实就是一个运行在用户终端的后台服务。它同时具备消息接入、会话路由、并发队列、短期/长期记忆、工具系统,Agent自主规划,以及一整套故...
大模型能力一般具有“通用性”而非“专业性”,为了弥补专业的领域知识,Agent 架构应运而生,并经历了一场清晰而深刻的演进。
写的Prompt越长,AI越容易跑偏;调教得越细,越无法复用、无法沉淀、无法交给团队。
做算法的同学,整天为优化召回率、准确率,响应耗时等指标焦头烂额,很少花时间考虑这些指标最终要支撑什么商业目标。导致把功能迭代当成业务进展,把模型效果当成产品成功...
AI coding 出现后,传统项目角色分工和协作方式发生了改变。工程师不再是"写代码的人",而是"指挥 AI Agent 写代码的人"。这种转变不仅是角色的变...
Agent应用最难的是建立信任,而信任的关键,正是对Agent能力的精准度量。缺乏可量化指标和系统评测体系,Agent的能力就无从验证,也无法判断其在真实场景中...
工具是大模型与环境交互的主要媒介,使用工具的技术经历了三次“正规”的升级换代。从给大模型加上工具调用函数 Function calling,到模型与工具交互标准...
全球AI技术的竞争已经进入下半场!由此带来的是AI技术范式的转变,“从聊天到做事”,驱动范式转变的底层动力是“代码能力,智能体和多模态”技术的日渐成熟。未来AI...
智能体(Agent)与工作流(Workflow)已逐渐成为串联大模型、工具与实际业务场景的核心载体。业务场景的实际落地离不开标准化流程,而Agent则为标准化流...
智能体 Agent 核心是通过与环境交互更好的完成用户的指令或任务。一个合格的智能体应该具有那些能力,这些能力面临何种困难,又有那些的解决方案。为建立起Agen...
强化学习训练过程涉及模型多,数据流转复杂,经典的“串行”训练框架,存在资源闲置,训练效率低的情况。 verl 通过自动映射算法进行计算资源的智能规划,通过混合编...
随着模型参数规模扩大、生成序列变长以及混合专家(MoE)等稀疏结构的应用,RL训练的稳定性成为制约技术落地的核心瓶颈。围绕“解决训练不稳定性、提升样本效率”这一...
直接偏好优化(Direct Preference Optimization DPO)的核心理论突破在于通过数学变换,将 “奖励建模 + 策略优化” 的 RLHF...