很多人描述 Function Calling 的工作原理时会说:模型”读懂”了用户的意图,”判断”出需要调用工具,然后”决定”生成一段调用指令。这种说法很流行,但”读懂”、”判断”、”决定”这些词都有误导性,它们暗示模型拥有某种理解能力,仿佛它真的在思考。大模型的本质从来没变过:Next Token Prediction,也就是预测下一个词。Function Calling 没有引入任何神秘的推理机制,它只是让模型学会了在特定情况下切换输出格式,从自然语言切换成结构化的 JSON 文本。
GraphRAG 与普通 RAG 的应用分析
企业在搭建知识库问答系统时,经常面临一个选择:用普通的向量检索 RAG,还是用微软提出的 GraphRAG?两者的技术路线差异很大,适用场景也不同。选错了方案,要么检索精度不够,要么工程复杂度过高。这篇文章从实际应用场景出发,分析两种方案各自的能力边界和最佳使用时机。
Superpowers 介绍与使用
让 AI 编码助手直接写代码,最常见的问题是它拿到需求就动手,不考虑边界条件,不写测试,做着做着就偏离了原始需求。多个功能并行开发时,代码混在同一个分支上,连回滚都困难。Superpowers 是一套通过技能(Skills)让 AI 编码助手遵循严格工程流程的工作流系统,由 Jesse Vincent(Perl 专家、Markdown 发明者之一)开发。它的核心思路是让 AI 先规划、再测试、再实现、再审查,像一个有纪律的工程师那样工作,而不是一个急于交付的实习生。
Multi-Agent 系统设计原理
在实际的大模型工程落地中,多智能体系统的核心挑战不是让一个Agent变得更聪明,而是让多个Agent高效协作且保持系统可控。当任务规模从单次对话扩展到需要并行处理数十个子任务的场景时,放任自由调度的系统几乎必然陷入上下文溢出、任务冲突或Token消耗失控的困境。这篇文章拆解一套经过工程验证的多智能体架构设计方案,覆盖从任务分解、Subagent派生、状态管理到并发控制的关键环节。
CrewAI 入门实战:从零构建多 Agent 协作系统
Agent 上下文压缩:长任务状态治理的工程全景
Agent 应用中 SSE vs WebSocket 实时通信选型分析
Spring AI 学习与使用
SDD 规格驱动开发指南
为什么 SDD 突然火了
2025 年下半年,GitHub 上同时冒出了两个热门项目,都主打同一个概念——SDD(Specification-Driven Development,规格驱动开发)。
| 项目 | Stars | 出品方 | 创建时间 |
|---|---|---|---|
| spec-kit | 87,549 | GitHub 官方 | 2025-08 |
| OpenSpec | 39,543 | Fission AI | 2025-08 |
SDD 这个概念早在 2010 年前后就有人提过,但始终不温不火。它之所以在 2025 年爆发,根本原因是 AI 编码助手的成熟度达到了实用门槛。以前写规格是为了让人理解需求,现在写规格是为了让 AI 理解需求并生成代码。这个转变让 SDD 从锦上添花变成了必备技能。
如何使用 Agency-Agents 开好你的一人公司
一个人做产品,最怕的不是技术难题,而是发现自己同时缺了产品经理、架构师、营销专家三个角色。Agency-Agents 这个开源仓库把 200 多个专业角色打包成了可以直接导入 Claude Code 的 Agent 文件,让独立开发者可以快速调用不同领域的专业能力。本文介绍这个工具的仓库结构、调用方式,以及如何用它协作完成一个完整项目的开发。