【Day 01】从Chatbot到Agent：让AI从“只会说“到“能做事“

梅雅达编程笔记 2026-08-20 16:34:31

https://blog.csdn.net/2601_96428997/article/details/163889671?spm=1011.2124.3001.6209
下篇预告：Day 02 · Function Calling 精通——让AI主动调用你的函数。本篇用 JSON 文本协议让 Agent 决策，但这种方式依赖 LLM 输出格式正确。下一篇我们用标准 Function Calling，让工具调用从"解析文本"升级为"原生支持"。
专栏持续更新中，点个关注不迷路 ✨
资源领取
关注作者获取本栏完整代码和数据集
©️ 梅雅达编程笔记原创 · 首发 CSDN · 转载请注明出处

...全文

24 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

这篇文章系统介绍了AI Agent的概念、原理和实现方法。首先解释了AI Agent与ChatGPT、RAG的区别，指出Agent是具备自主规划、执行能力的"主动执行者"。文章详细分析了Agent的四大核心要素：规划、记忆、工具和行动，并介绍了经典的ReAct范式。在技术生态方面，对比了LangChain、AutoGen、OpenAI SDK等框架的特点和适用场景。最后通过一个完整的代码示例，演示了如何用OpenAI的Function Calling实现一个简单的天气查询和计算器Agent。全文兼顾理论讲解

本文介绍了私有化大模型部署方案，重点讲解了Ollama工具的安装与使用。主要内容包括：1) 私有化大模型的必要性，如数据安全和企业需求；2) Ollama与LM Studio两种解决方案的对比；3) Ollama的特点和优势；4) Windows和Linux平台下的详细安装步骤。通过Ollama可实现本地部署通义QWen等大模型，为企业提供安全高效的AI解决方案。文章还提供了验证安装成功的具体方法。

在生成式AI技术选型中，开发者行为比市场宣传更具决策参考价值。本文聚焦‘新建公开仓库（CreateEvent）’这一不可伪造的启动信号，解析其作为代理指标的技术原理：它规避了Star数的社交噪声、PyPI下载量的自动化干扰及Stack Overflow提问的质量偏差，依托GitHub命名习惯形成高查准率的行为映射。该方法支撑对Azure OpenAI、Amazon Bedrock等主流AI云服务的技术栈渗透率进行月度量化追踪，适用于企业架构评估、安全SDK风险识别与开发者学习路径规划，是当前工程实践中成本最

大语言模型（LLM）本质上具有不可消除的输出不确定性，这使其区别于传统确定性软件系统。其核心原理在于模型行为受提示词、上下文、嵌入漂移、安全层更新等多重隐变量影响，导致相同输入可能产生不同输出。这种不确定性带来显著技术价值：倒逼团队构建版本化Prompt、结构化Schema校验、黄金测试集与快速回滚机制等高韧性工程能力。典型应用场景包括RAG知识库运维、智能客服上线、Agent工作流编排及成本精细化管控。本文聚焦Uncertainty Architecture这一关键范式，结合golden set、Prom

304,549

社区成员

1,166

社区内容

发帖

与我相关

我的任务

python 个人社区广东省·深圳市

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章