登录社区云,与社区用户共同成长
邀请您加入社区
Cursor并非凭空出现。它建立在OpenAI的GPT-4和Claude等大型语言模型之上,但关键区别在于:Cursor不仅仅是一个代码补全工具,而是一个"AI原生"的集成开发环境。它深度理解整个代码库的上下文,能够进行跨文件的重构、bug修复和功能实现。功能维度传统IDECursor代码补全基于语法基于行内上下文基于全项目语义跨文件理解有限有限深度理解自然语言交互无注释驱动对话式编程代码重构手动
/ 1. 写入文件工具return `✅ 文件 ${path} 写入成功`;},description: "将内容写入指定路径的文件",path: z.string().describe("文件路径"),content: z.string().describe("要写入的内容")})// 2. 读取文件工具},description: "读取指定路径的文件内容",path: z.string().
就是 ReAct 的"工作记忆"。它之所以成为 90% 生产级 Agent 的默认架构,就是因为这个"想→做→看"的循环足够通用——不管你的任务是查天气、做研究、写代码还是排查 bug,都可以用这个模式来处理。比如工具返回了一堆 HTML 或者报错的 stack trace,LLM 不知道该怎么理解这个结果,就决定"再试一次"——然后又得到一样的结果——然后又"再试一次"……:给 Agent 提供
别急,这篇文章就是来帮你解决这些问题的!本文不会停留在“介绍 CoT 是什么、ReAct 是什么、怎么用 LangChain 写一个简单的 ReCoT(ReAct + CoT 缩写,本文后续统一使用该术语)Prompt”这种入门内容上——毕竟网上这类教程已经铺天盖地了。本文会聚焦于Harness Engineering 场景下的 ReCoT 进阶技巧为什么入门的 ReCoT 解决不了工程问题——拆
AI Agent能自主感知环境、制定计划、执行行动。具备自主性、工具调用、记忆和推理四大能力。从LangChain入手构建单Agent再过渡到Multi-Agent,掌握ReAct循环是核心。
为了弥补早期 LLMs 在通用任务上的局限性,研究者们提出了一系列决策增强范式——简单来说,决策增强范式就是通过设计特定的提示模板、架构设计、工具调用机制、反思机制等,来增强 LLMs 的复杂推理能力、长任务规划能力、外部工具交互能力、多模态协同能力。根据是否引入外部工具交互是否引入全局规划是否引入反思机制纯推理类决策增强范式。
很多公司第一次做 AI 知识库,会以为只要把文档上传给大模型,模型就能永远记住。实际上,大多数情况下模型并不会把你的资料写进参数里,而是在每次回答前临时读取相关内容。
很多人第一次看到 MCP,会把它理解成 Function Calling 的升级版。这个说法不准确。MCP 和 Function Calling 不是谁淘汰谁,而是解决的问题不在同一层。
ReAct 拆开来 ,就是 Re + Act,Reasoning + Acting。先思考(我要做什么)→ 再行动(调用工具 / 回答)→观察结果→ 继续思考→ 再行动→观察结果,... ...,直到完成任务。
个人经验来说,企业级RAG知识库绝非简单的技术Demo,而是一套数据治理+检索优化+模型生成+工程运维的完整工程体系。它的核心价值不在于技术酷炫,而在于解决企业知识沉淀难、检索效率低、AI问答不准的核心痛点。从零搭建企业 RAG,我认为其核心逻辑在于:以高质量数据为基础,以自适应切片、精准检索为核心,以权限管控、动态迭代为保障,摒弃新手的简单搭建模式,遵循工程化最佳实践,才能落地一套稳定、精准、可
前段时间有个粉丝面滴滴二面,聊到项目部分,面试官看了他简历上的RAG项目,停顿了一下,说了一句:"你这个项目用的技术栈,现在已经不太主流了。"
又到了技术江湖的“放榜时刻”,7月编程语言排行榜正式更新!恰逢TIOBE成立25周年,这一期信息量爆炸——有人稳坐神坛,有人一朝破局......
第一版用了 5000 条爬来的数据微调,效果还不如原模型。排查三天发现 30% 的数据 output 是空的或者格式错乱。
。
如今绝大多数 AI 中后台、智能问答平台、知识库 RAG 系统、AI 创作工具,前端核心交互都是大模型流式输出。不同于传统接口一次性返回数据,流式请求(Stream)是文字逐字逐句实时展示,模拟 AI 实时打字的效果,也是目前企业 AI 项目的刚需核心技能。很多前端开发者在对接大模型时,会遇到流式数据乱序、页面卡顿、重复请求、打字闪烁、请求中断、组件卸载报错等一系列问题。
AI 领域开源项目(比如 Hugging Face 的 transformers.js)几乎清一色用 React,生态最成熟,大型项目维护友好;:原子类 CSS 框架,再也不用写一堆难维护的样式文件,特别适合“自然语义编程” —— 你只需要在 className 里堆砌语义明确的工具类,界面就能快速成形;ESLint:大公司标配,保证代码风格一致,减少团队协作时的无效争吵。React 比 Vue
本文深入解析了大模型推理模式 CoT、ReAct 和 ToT 的原理与适用场景,强调它们并非升级关系而是各有优劣。通过对比分析,指出 80% 的 Agent 任务仅需 ReAct 即可,ToT 成本高且效果提升有限。文章提供了选型决策路径,建议优先考虑 ReAct,并根据任务特点选择 CoT 或 ToT,帮助开发者避免过度设计,高效利用大模型能力。很多人把 CoT、ReAct、ToT 当成"初级→
用户输入 → 事件总线 → 编排器解析意图 → 拆分任务 → 触发多个事件节点 ↓ 大模型推理节点 → 产生新事件 ↓ 工具执行节点 → 返回结果 ↓ 聚合节点 → 回复用户单线程思考器。
本文将介绍文本大模型、图片大模型、prompt工程等内容,深入浅出,并提供完整代码示例,适合学习大模型前端集成。
1. LangGraph 核心概念
Product Hunt 每日热榜 | 2026-07-23 Buzzy是首个真正具备自主创作能力的无限视频创作平台。它帮助你激发创意,制作灵感板,只需点击一下就能精确地为你的视频进行照片处理——同时可以无限制地创作大片和商业广告,保持多个主题的一致性,控制灯光和镜头角度,并在一个工作空间内像使用Photoshop一样精确编辑视频。
本文介绍了一种基于WebGPU技术在浏览器本地运行DeepSeek-R1大模型的创新方案,相比传统云端API和Ollama本地部署具有显著优势。通过React+TypeScript+TailwindCSS技术栈实现,项目特点包括:零安装、数据本地闭环、离线可用、无接口费用。文章详细讲解了前端核心实现技术,包括进度条组件封装、WebGPU兼容性处理、React状态管理等,并提供了完整可运行代码。该方
2026年的前端,正在经历一场从"写代码"到"驾驭AI写代码"的深刻转变。框架层面,React和Vue都在向编译时优化和服务端渲染收敛;工具层面,AI编程工具正在从辅助角色升级为主力;岗位层面,纯前端正在消失,全栈AI工程师成为新标准。对于前端开发者来说,2026年最重要的事情不是学一个新框架,而是建立AI协作的工作流——学会用AI生成代码、审查AI产出的质量、基于AI能力设计产品架构。这不仅是效
使用背景:react\ts\antd pro\alibaba-chatUI\openai-api。注意接口的messages字段我将上文也一起传过去了,为了它能回答问题的时候,回顾上下文。1.引入chatUI进行页面开发。2.调用openAI的api。
本文介绍了一个基于React/Next.js开发的免登录智能聊天窗口,集成了deepseek和GPT-4o API。技术栈包括TailwindCSS/shadcn UI库、Redux状态管理和fetch请求。主要功能包括:1) 使用React组件构建聊天界面;2) 实现消息发送/接收和实时显示;3) 支持Markdown渲染和代码高亮;4) 提供响应式设计。项目采用模块化开发,将聊天窗口封装在ch
WebSocket协议通过HTTP升级握手建立持久连接,采用二进制帧结构传输数据:fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;本文通过5个实战场景演示了React Native WebSocket在OpenHarmony平台的落地方案,重
在这篇文章中,我将探讨随着联网设备数量的增加而演变的攻击模式,并分享针对物联网(IoT)领域的基于 Linux 的恶意软件的研究数据。在研究过程中,我参考了 MITRE ATT&CK 框架来定义恶意软件的能力和特性,并以此定位其战术、技术和程序(TTPs)。值得注意的是,IoT 恶意软件的开发者似乎对窃取数据之类的活动并不感兴趣。一位经验丰富的前辈用一个故事形象地描述了这种情况:“与其毒害村庄里通
本文介绍了在React中使用WebSocket和Highcharts实现实时数据可视化的方法。通过WebSocket持续接收数据,利用Highcharts的addPoint或setData方法直接更新图表实例,避免频繁重渲染带来的性能问题。文章提供了核心代码示例,包括图表实例获取、数据动态更新和WebSocket连接等关键技术点,并针对高并发场景提出了批量更新和控制刷新频率的优化建议。该方案适用于