从 CoT 到 ReAct:用 Python 搭建 LLM Agent 实战指南
本文通过 Python 演示了如何搭建一个具备规划、工具调用、验证和复盘能力的完整 LLM Agent。教程详细拆解了 Plan-and-Solve、ReAct、Verification、Self-Refine 和 Reflexion 五个核心模块,强调了结构化数据控制流程的重要性,并提供了工程落地的具体代码实现与原则。
本文通过 Python 演示了如何搭建一个具备规划、工具调用、验证和复盘能力的完整 LLM Agent。教程详细拆解了 Plan-and-Solve、ReAct、Verification、Self-Refine 和 Reflexion 五个核心模块,强调了结构化数据控制流程的重要性,并提供了工程落地的具体代码实现与原则。
本文是一篇面向初学者的 LangGraph 实战教程,介绍如何用 Python 从零搭建一个具备工具调用、推理决策和会话记忆能力的 AI Agent。文章首先讲解 LangGraph 的三个核心概念:State(状态/共享记忆)、Node(执行步骤)和 Edge(跳转逻辑),随后通过完整代码演示项目创建、工具定义、模型节点编写、条件路由实现、Graph 组装,以及通过 InMemorySaver 和 thread_id 实现多轮对话记忆。最终实现一个 ReAct 循环(思考→行动→观察→回答)的基础 Agent,并给出网页搜索、数据库查询、RAG 检索等扩展方向。
这是一份针对2026年AI开发者的完整学习指南。文章指出,成为AI开发者不再需要计算机学位,通过正确的路线图,个人即可构建AI应用和SaaS产品。指南分为十个阶段:首先理解AI生态系统的基本概念(AI、ML、LLM、Agent等);接着掌握Python基础、API调用及Git工具;然后通过现有AI工具(如OpenAI API、LangChain)快速动手实践;最后深入学习前端技术、提示工程、LLM原理(RAG、微调)及应用部署。文章强调“学习-构建-分享”的循环策略,并指出AI智能体、自动化及RAG系统是当前的高价值技能。
本文针对2026年的行业现状,驳斥了通过传统机器学习理论入行的误区,提出了6个月速成AI工程师的实战路线图。作者强调无需深奥数学,而应从Python和API调用起步。核心路径涵盖:深入掌握LLM原理与提示工程,精通RAG(检索增强生成)及语义分块、重排序等进阶技术,最终构建结合Agent与生产级思维的复杂AI系统。文章指出,唯有动手解决实际问题、构建高可用系统,而非单纯考取证书,才是成为合格AI工程师的关键。
本文基于作者深度使用 Claude Code 的实战经验,深入剖析了 Claude Code 的六层架构模型。文章详细阐述了上下文治理的成本构成与最佳实践,解释了 Skills、Hooks、Tools 和 Subagents 的区别与设计原则,并分享了如何利用 Prompt Caching 和 Plan Mode 优化系统性能与稳定性。
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系:包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill(bug 猎捕、diff 缩减等)、以及每个 PR 的 AI 评审,仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文,并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍,回滚率下降超 40%,实现了用最少人工环节保障代码质量的目标。
文章介绍如何用 Grok Bot 在云端构建一个持续运行的“第二大脑”,解决每次与 AI 对话都从零开始的痛点。作者借鉴 Andrej Karpathy 的知识库理念,通过 7 步课程指导读者:用已发送邮件生成个人档案与写作风格文件、用 /workspace 文件夹而非聊天记忆存储慢事实、设置云端 routine 自动归档 Gmail 新材料、每天早晨生成一页摘要、将笔记转化为成品、通过规则固化纠正,最后提供一键粘贴的完整搭建方案。强调文件优于聊天记忆、云端机器人可 24 小时工作,引用 Kevin Rose 的实例佐证。
作者基于 Anthropic 工程师删除 Claude Code 80% 系统提示词却无性能损失的事实,反思提示词与 Agent Skill 的实践方法。提出提示词不是八股文,应聚焦任务三要素(目标、规则、完成标准),减少角色铺垫和冗余规则,多给思考方向而非僵硬示例,并设定明确验收标准。关于 Skill 沉淀,强调只有高频且流程稳定的任务才值得做成 Skill,要写入独特经验而非通识废话,严格控制单一职责与边界,主文件精简并渐进式加载,且必须内置自检环节形成质检闭环。
本文是一篇面向新手的 Pi Coding Agent 全面入门教程。Pi 是一个跑在终端里的极简 AI 编程智能体框架,定位为'最小智能体外壳':内核只保留基本工具循环,计划模式、子智能体、权限系统等能力全部拆给扩展。文章详细介绍了安装方式(官方脚本、npm、Nix)、界面与常用快捷键、模型配置、四种使用模式(交互、打印/JSON、RPC、SDK)、技能/扩展/提示词模板/主题的扩展体系,以及树状会话管理。作者重点总结了七个常见坑:无内置权限系统需容器隔离、默认无 plan mode、npm 不锁传递依赖、grep 等工具默认关闭等。Pi 支持 15 家以上模型商,MIT 协议,与 Claude Code、Codex 是两条路线:要开箱即用选成品,要可自由定制的个人智能体选 Pi。
本文是 Agent 开发入门系列的实操篇,教读者用 88 行 Python 代码实现一个最小化的 Supervisor(主管)智能体。Supervisor 本身不干活,只负责拆任务、派活给手下 worker(coder 和 tester)、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异,详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念,并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明,最后引导读者扩展更多 worker 角色。