推理模型正在弱化甚至限制 temperature 参数,低温采样不再稳定地带来可靠性,反而可能诱发循环输出和性能下降。这里从解码原理、模型现象和工程实践三个角度,讲清 temperature 退场的原因以及代码里该怎么处理。
Next AI Draw.io 把大语言模型和 Draw.io 结合起来,可以用自然语言生成流程图、架构图和 UML 图,也能基于已有图表继续修改。它适合快速产出可编辑的图表初稿,再交给人工做细节调整。
LangGraph 用有向图组织大语言模型应用的执行流程,适合构建有状态、可分支、可循环、可人工干预的多智能体系统。内容覆盖 State、Node、Edge、Reducer、条件边、检查点、时间旅行、人机协作、MCP 集成,以及 Supervisor、Swarm 和 Java 版本 LangGraph4J 的使用方式。
Agent Skills 是一种把任务指令、脚本和资源打包成结构化文件夹的机制,让智能体在需要时动态加载流程知识和组织上下文。它不是 Tool 的替代品,而是指导智能体如何调用 Tool 完成具体工作的 SOP。
AI Agent 学习容易卡在框架太多、概念太散、案例太杂。这里按底层原理、实战案例、课程体系、企业级开发和多框架对比六个方向,梳理 6 个适合系统学习智能体开发的 GitHub 开源项目。
MCP 是连接大语言模型与外部工具、数据源的开放协议。围绕 MCP 的设计理念、Client/Server 架构、JSON-RPC 通信机制、Stdio/SSE/Streamable HTTP 传输方式,以及数据库智能查询场景中的 Server 设计、安全控制和工程化实现展开讲解。
Agent 的多轮推理、工具调用和长上下文会反复提交大量相同前缀,KV Cache 复用直接影响延迟和成本。这里从 token 序列、Chat Template 和 Prefix Caching 的角度,讲清 Completion 与 Chat Completion 在控制权上的差异,以及如何设计更容易命中缓存的 Agent Prompt。
LangChain 将提示词、模型调用、输出解析、链式编排、记忆、工具、智能体和检索封装成可组合组件。围绕这些组件讲清大模型应用从简单调用到 RAG 和 Agent 的实现方式、适用场景与常见坑。