Agent 与 Dify 基础
区分确定性工作流与 Agent,并整理 Dify 中的模型、知识库、工具和发布流程。 Agent 与 Dify 基础 摘要 工作流把任务拆成明确节点,适合流程稳定、可审计的场景;Agent 根据目标和中间观察选择下一步行动,适合需要动态决策的任务。Dify 提供图形化方式连接模型、知识库、工具与流程,但业务权限和风险控
正在读取最新同步的笔记,请稍候。
KNOWLEDGE INDEX / 知识索引
从 Obsidian 同步而来的个人知识索引。按主题翻阅,或直接找到记忆里的那句话。
支持搜索标题、正文与标签,筛选状态会保存在网址中。
检索结果
区分确定性工作流与 Agent,并整理 Dify 中的模型、知识库、工具和发布流程。 Agent 与 Dify 基础 摘要 工作流把任务拆成明确节点,适合流程稳定、可审计的场景;Agent 根据目标和中间观察选择下一步行动,适合需要动态决策的任务。Dify 提供图形化方式连接模型、知识库、工具与流程,但业务权限和风险控
区分智能体、模型上下文协议和 Agent Skills,并梳理它们如何组合与安全运行。 Agent、MCP与Skill(资料整编) 摘要 Agent(智能体)决定如何分解目标并调用能力;MCP(模型上下文协议)规范 AI 应用与外部数据、工具之间的连接;Skill(技能)把某类任务的操作说明和配套资料打包,供 Agen
从需求、架构、数据、检索、工具、安全、发布和评测讲清 AI 应用项目,并区分课程练习与真实生产经历。 AI 应用项目设计与案例面试题库 [!important] 使用说明 以下问题按概念独立重写,用于练习项目设计和表达,不复制课程整套题面。Coze/Dify 的商品问答、天气规划、英雄联盟知识助手和 NL2SQL 都是
从 Python 与机器学习基础走到大模型原理、应用项目和逐题面试复习的学习入口。 AI 学习知识地图 摘要 这是本批学习笔记的导航入口:基础教材解释概念和机制,项目精选串联端到端做法,面试题库用于完整问答练习,整编索引/矩阵记录来源范围和未核读限制。课程示例不代表个人生产经历;版本相关细节以当前官方文档为准。 学习路
用可验证的业务问题、数据、流程、评测和风险分析 AI 应用案例,并区分课程演示与生产证据。 AI 产品设计与行业案例 核心判断 AI 产品的起点应是一个具体用户任务,而不是先选模型或追逐热点。模型能生成文本,不代表它能稳定完成工作;要把输出放进真实流程,定义谁会使用、谁负责纠错、如何衡量收益和如何处理失败。 1. 从问
把 Coze 课程案例、当前平台文档与智能体工作流的搭建、测试、发布和迭代方法连起来。 Coze 智能体与工作流实践 这篇笔记解决什么问题 Coze 课程包含提示词、插件、知识库、工作流和发布等内容。平台界面会变化,因此这里不记录逐按钮教程,而是保留不依赖特定版本的设计方法,并用课程案例解释每种组件的作用。 示例边界
梳理 LangChain 的模型、消息、提示词、工具、Agent、结构化输出和观测能力。 LangChain(资料整编) 摘要 LangChain 把模型调用、消息与提示词、工具、结构化输出、检索和 Agent 组织为可组合的应用层组件。模型提出工具调用后,仍由运行时校验并执行工具。流程需要精确分支、循环、持久状态或人
用 State、Node、Edge 理解 LangGraph 的状态图、控制流、持久化和中断恢复。 LangGraph(资料整编) 摘要 LangGraph 用图结构描述带状态的应用流程:State(状态)保存共享数据,Node(节点)执行一步逻辑,Edge(边)决定下一步。它适用于需要分支、循环、并行、持久化、人工介
从任务定义、提示结构、常用策略到评测和安全,建立可测试的提示词设计方法。 提示词工程 一句话理解 提示词(Prompt)是应用交给模型的任务说明和上下文。好的提示不是“写得越长越好”,而是让目标、输入、边界和输出可以被模型理解、被程序校验、被测试集验证。 [!important] 先分清三件事 提示工程改变模型本次看到
把模型调用、数据处理、网页接口与项目安全整理成可复用的实践流程。 Python AI 项目实战精选 摘要 将课件中的模型调用、HTTP、数据分析和 Web 开发案例收敛为小型 AI 项目结构。重点放在密钥保护、输入校验、错误处理和可验证结果,不依赖某个特定服务商的旧版示例代码。 正文 1. 最小可维护项目结构 将模型调
把文档问答、Coze/Dify 课程流程、工具调用和 LangGraph 编排串成有权限与评测边界的学习项目设计。 RAG 与 Agent 项目精选 摘要 可靠的 AI 应用不只是“接上模型”,还要围绕数据、权限、检索、工具执行、失败处理和评估构建完整链路。本笔记将课件中的文档对话、Dify 和 LangChain/L
按离线建库、在线召回、重排、上下文组装和分层评估拆解 RAG 工程。 RAG 检索系统:从文档切分到线上评估 1. RAG 解决什么、不能保证什么 RAG(Retrieval-Augmented Generation,检索增强生成)在回答前从外部语料取回证据,再把证据交给生成模型。它适合知识更新频繁、需要引用内部资料或