技术博客.

聚焦 AI 应用落地、Agent 工作流、RAG、Tool Calling、系统集成与工程实践。记录从原型到生产级的每一段技术沉淀。

全部文章AI AgentRAGWorkflowLLM Application工程实践性能优化

AI Agent 入门：从概念到第一个可运行闭环

这篇文章用工程视角梳理 AI Agent 的最小定义、与工作流和聊天机器人的区别、典型运行闭环，以及一个可运行的最小示例。重点不是追求炫技，而是帮助你判断什么时候该做 Agent、什么时候不该做。

本文介绍提示工程的核心技巧：Zero-shot、Few-shot 和 Chain of Thought（CoT）。通过具体案例，展示如何通过精心设计的提示词获得稳定、可控的输出。

ReAct 和思维链（CoT）是当前 AI Agent 最核心的推理范式。本文深入解析两者的原理、区别以及如何选择合适的推理模式。

2026 年的 LLM 市场百花齐放，本文从性能、价格、稳定性、生态等多个维度对比主流 LLM 提供商，帮助你做出最优选择。

LLM API 调用的成本主要取决于 Token 消耗。本文系统介绍 Token 的概念、计费方式以及从 Prompt 设计到架构层面的全面优化策略。

这篇文章基于 LangGraph 当前官方文档里的 Graph API 思路，搭一个最小可运行 Agent：模型判断、工具执行、循环退出和线程级记忆。重点不是堆功能，而是理解 LangGraph 为什么适合长运行、可恢复、可观察的 Agent 工作流。

这篇文章基于 LangChain 当前官方文档对两者的定位，解释 LangChain 和 LangGraph 分别解决什么问题、两者如何协同，以及在个人项目或业务系统里该如何做选型。重点不在 API 清单，而在工程判断。

LangChain 不仅仅是一个框架，它是一套完整的 LLM 应用开发工具链。本文深入解析 LangChain 的四大核心模块：LLM、Prompt、Chain、Agent。