精选文章

共 27 篇站长推荐

SillyTavern 详解：给 Power User 的 LLM 前端
NEW 精选AI

SillyTavern 详解：给 Power User 的 LLM 前端

SillyTavern 详解：给 Power User 的 LLM 前端主流聊天前端都在做减法——藏起提示词、简化设置、把用户当小白。SillyTavern/SillyTavern（ST）反其道而行：官方自述"给你对 LLM 提示词尽可能多的控制权，并把陡峭学习曲线当作乐趣的一部分"。它是角色扮演与创意写作圈的事实标准前端——角色卡、世界书、群聊、用户人设这些概念在这里发展成熟，再扩散到整个生态。

18
Multi-Agent 详解：多智能体协作架构与实践
精选Agent

Multi-Agent 详解：多智能体协作架构与实践

一个智能体配上一套工具，已经能完成相当多任务。但让它同时“当产品经理、写后端、跑测试、做代码评审”，很快就会露馅：上下文里塞满了互相干扰的指令，十几件工具的清单来回切换，任务做到一半忘了开头。解法看起来很自然——像人类团队一样分工：让多个智能体各司其职，由一个协调者调度，这就是 Multi-Agent（多智能体）系统。它也是 2026 年智能体工程里讨论度最高、误用率也最高的架构。本文按“架构模式…

# Agent
72
Tool Use 详解：智能体工具使用全景
精选Code

Tool Use 详解：智能体工具使用全景

Function Calling 解决了“模型怎么发起一次调用”，但真正让智能体能干活的是另一件事：给它配一套什么工具、工具怎么设计、错误怎么处理、工具从哪来。这就是 Tool Use（工具使用）要回答的问题——它不是某个 API 特性，而是“让模型可靠地操作外部世界”的完整工程学科。2025 年以来，这个领域完成了一次关键跃迁：MCP 协议把工具接入从“逐家定制”变成“即插即用”，工具生态成为智…

# Agent
46
Prompt Engineering 核心技巧详解
精选AI

Prompt Engineering 核心技巧详解

与模型对话时，同一个需求换一种问法，得到的结果可能天差地别：一次得到可用的生产代码，另一次得到一堆正确的废话。这不是模型“看心情”，而是提示词（Prompt）本身就在决定模型的注意力分配与输出形态。提示工程（Prompt Engineering）就是把这件看似玄学的事，变成一套可复现、可迭代的工程方法。本文按“基本结构 → 核心技巧 → 结构化输出 → 迭代优化 → 常见误区 → 总结”组织全文。…

# Prompt
59
Function Calling 详解：让大模型调用你的函数
精选Code

Function Calling 详解：让大模型调用你的函数

问大模型“北京今天多少度”，它只能用训练数据里的旧知识猜，或者老实承认不知道。但如果告诉它“我这里有个查天气的接口”，它会说：“帮我调用 get_weather，城市参数填北京。”你的程序执行调用，把结果递回去，它再组织成一句自然的回答。Function Calling（函数调用）让模型从“只会聊天”进化为“会办事”——它是大模型连接外部世界的第一块基石，也是一切 Agent 系统的地基。本文按“…

# Agent
47
RAG 详解：检索增强生成从原理到实战
精选AI

RAG 详解：检索增强生成从原理到实战

大模型知道很多，但不知道你公司的内部文档、上周的产品公告、你个人笔记里的那条备忘。直接问它，它要么坦白不知道，要么一本正经地编一个答案——后者就是臭名昭著的幻觉。RAG（Retrieval-Augmented Generation，检索增强生成）给出的解法是：回答之前先查资料——把相关的私有知识实时检索出来，塞进上下文，再让模型基于资料作答。这是当前企业级 AI 应用采用率最高的架构，没有之一。本…

# 知识库
45
Polars 详解：新一代数据框引擎
精选Code

Polars 详解：新一代数据框引擎

过去两年，数据处理圈流行一句话："用 pandas 写，换 Polars 跑，快了 10 倍"。Polars 用 Rust 重写了数据框引擎的底层，多线程、向量化、惰性求值一样不缺，官方演示过在笔记本上流式处理约 250…

# Python
70
PydanticAI 详解：类型安全的 Python AI SDK
精选AI

PydanticAI 详解：类型安全的 Python AI SDK

PydanticAI 详解：类型安全的 Python AI SDK写 LLM 应用最疼的两件事：模型返回的 JSON 不合预期、换一家模型商要改一串代码。pydantic/pydantic-ai（PydanticAI）用 Pydantic 团队的老本行回答了第一件——输出用 BaseModel 定义、运行前先校验，错误从运行时提前到编码时；第二件则用"模型即字符串"回答：换个厂商只改一个参数。如今

# Python
95
agent-browser 给AI的浏览器自动化CLI
精选AI

agent-browser 给AI的浏览器自动化CLI

让 AI 编程助手真正"上手"操作浏览器，是 agent 工具链里被反复验证的需求：登录站点、填表单、点按钮、截图取证、抓数据、跑端到端测试。传统路径是把 Playwright 交给模型——让它写脚本、运行、看报错、改脚本，循环往复，慢且脆弱，token 也烧得凶。 vercel-labs 出品的 agent-browser 给出了另一种答案：一个专为 AI agent 设计的浏览器自动化 CLI…

111
WilliamChart：轻量美观的 Android 图表库实战
精选开源

WilliamChart：轻量美观的 Android 图表库实战

WilliamChart：轻量美观的 Android 图表库实战数据可视化是运动、健康、金融、统计类 App 的刚需。MPAndroidChart 功能最全但偏重复杂，WilliamChart 走的则是"轻量 + 美观 + Kotlin 原生"路线——v3 用 Kotlin 完全重写，API 极简，一行 chart.animate(dataSet) 就能把数据画成带动画的折线/柱状/环形图，开箱即

# View
132
Karpathy Skills 详解：驯服 AI 编码的行为契约
精选Skill

Karpathy Skills 详解：驯服 AI 编码的行为契约

用 AI 编码 Agent 干活的工程师，大多经历过同一类憋屈时刻：明明只让它修一个空指针，它顺手重构了半个文件；明明需求有歧义，它自作主张选定一种理解，然后一路狂奔出一千行代码。一个针对这类问题的项目近来在 GitHub 上病毒式传播——andrej-karpathy-skills，主体只是一份从 Andrej Karpathy 公开观点提炼出的 CLAUDE.md 行为准则，star 数很快站…

# Skill
354