别卷 LangChain 了！Blades AI 框架让 Go 开发者轻松打造智能体
今天我带着我的新作品来了，它就是 **Blades** ! Blades 是一个专为 Go 语言设计的、用于构建 AI Agent 应用的现代化框架。目处于初期阶段，当前已支持自定义模型、工具、记忆体
2025-11-11
今天我带着我的新作品来了，它就是 **Blades** ! Blades 是一个专为 Go 语言设计的、用于构建 AI Agent 应用的现代化框架。目处于初期阶段，当前已支持自定义模型、工具、记忆体
今天，我们就来介绍一个强大的技术——提示词链（Prompt Chaining），它能将你的 AI 助手从一个偶尔犯傻的聊天机器人，调教成一个逻辑清晰、使命必达的超级特工。
本期我们将聚焦这些结构化与半结构化数据的处理方案。Excel/CSV/TXT 文档的处理更注重数据完整性、格式保真和高效提取。RAGFlow 通过精巧的设计，为每种格式提供了最优的语义切块策略。
本文将从技术本质、工作原理、在 RAG 中的应用流程，到技术挑战与演进方向，全面解析这一 “连接文本与机器理解” 的关键技术。
当你看到大模型应用开发招聘JD中"深入理解Agent"这个要求时，HR和技术面试官到底在考察什么？本文为你拆解Agent技能的各个层级，明确什么才算"深入理解"。
这篇文章我们就系统梳理 28 个高频面试问题，直接带你理解 RAG 从“原理 → 问题 → 优化 → 未来”的完整演化逻辑，确保你下一次面试不被问懵。
当我们使用 LangChain 构建 AI 智能体时，首先要做的是选择正确的智能体架构。 目前常用的2种架构是create_react_agent和create_tool_calling_agent。
结构化输出能让智能体以特定、可预测的格式返回数据。用户只需设置所需的结构化输出模式（schema），LangChain的create_agent接口会自动处理结构化输出。理解原生策略和工具调用策略。
掌握RAG，就是握住了AI时代智能应用的核心竞争力！ 无论你是开发者、产品经理，还是AI探索者，理解RAG的奥秘，都能让你在AI浪潮中看得更清，走得更远。
今天为大家分享一款从RAG基础知识到高级实现的宝藏级开源指南——bRAG-langchain，帮你轻松跨越检索增强生成的学习门槛。我自己在学习过程中也通过这个项目也收获很多。
今天为大家介绍一个简单易用的RAG开源项目——MaxKB，这是一个功能强大且易于使用的企业级AI助手，它完美整合了RAG（检索增强生成）流水线，支持强大的工作流程，并提供先进的MCP工具使用能力。
LangChain提供了中间件这种高级抽象来控制和定制化智能体的执行过程。开发者通过中间件可以实现对智能体执行过程的精细化控制。开发者可以使用内置的中间件，也可以自定义中间件。最后总结了最佳实践经验。
学习通是常用的学习工具，可以随时进行学习，找到你需要的资源，跨平台就能在线学习，了解学习的进度，但是很多小伙伴找不到入口在哪，下面就分享给大家。学习通网页版登录
点击阅读
