https://tinyseeking.github.io/tags/ai-agent/ Recent content in AI Agent on Tiny 的技术博客 Hugo zh-CN Tue, 03 Feb 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E4%BD%BF%E7%94%A8-langchain-%E6%9E%84%E5%BB%BA%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81/ Tue, 03 Feb 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E4%BD%BF%E7%94%A8-langchain-%E6%9E%84%E5%BB%BA%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E5%B7%A5%E4%BD%9C%E6%B5%81/ <h1 id="使用-langchain-构建多智能体工作流">使用 LangChain 构建多智能体工作流 </h1><p>人工智能（AI）正飞速发展，2025 年最大的转变是向 **智能体系统（agentic systems）**迈进 —— 这类 AI 能够进行规划、协作，并跨多步骤执行任务。团队不再依赖单一模型处理所有事情，而是构建由专业智能体组成的网络，它们可以像真实工作流一样协同运作。</p> https://tinyseeking.github.io/p/%E4%B8%BB%E6%B5%81%E5%BC%80%E6%BA%90-rerank-%E6%A8%A1%E5%9E%8B%E8%A7%A3%E6%9E%90%E4%B8%8E%E9%80%89%E5%9E%8B%E6%8C%87%E5%8D%972026-%E7%89%88/ Sun, 01 Feb 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E4%B8%BB%E6%B5%81%E5%BC%80%E6%BA%90-rerank-%E6%A8%A1%E5%9E%8B%E8%A7%A3%E6%9E%90%E4%B8%8E%E9%80%89%E5%9E%8B%E6%8C%87%E5%8D%972026-%E7%89%88/ <h1 id="主流开源-rerank-模型解析与选型指南2026-版">主流开源 Rerank 模型解析与选型指南（2026 版） </h1><p>​ 在检索增强生成（RAG）场景中，Rerank（重排序）是决定检索精度的关键环节。核心作用是对向量检索、关键词检索等初步召回的候选文档进行精细排序，筛选出与查询最相关的结果，以提升检索精度。本文聚焦 6 款主流开源 Rerank 模型，从技术特性、性能表现、部署成本、适用场景等核心维度展开深度解析，结合 2025 年最新评测数据输出可落地的选型建议，助力开发者搭建高效的检索系统。</p> https://tinyseeking.github.io/p/%E6%B7%B1%E5%85%A5%E8%A7%A3%E6%9E%90agentgpt%E5%8E%9F%E7%90%86%E5%AE%9E%E6%88%98%E4%B8%8E%E6%BA%90%E7%A0%81%E6%8B%86%E8%A7%A3/ Wed, 28 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E6%B7%B1%E5%85%A5%E8%A7%A3%E6%9E%90agentgpt%E5%8E%9F%E7%90%86%E5%AE%9E%E6%88%98%E4%B8%8E%E6%BA%90%E7%A0%81%E6%8B%86%E8%A7%A3/ <h1 id="深入解析agentgpt原理实战与源码拆解">深入解析AgentGPT：原理、实战与源码拆解 </h1><h2 id="介绍">介绍 </h2><p>​ AgentGPT是一个自主AI代理平台，它使用户能够在浏览器中创建和部署可定制的自主AI代理。只需要指定一个目标，然后观看它自动开始一段激动人心的旅程，以完成指定的任务。AgentGPT通过调用大型语言模型（如GPT-4）来实现目标，旨在在无需人类干预的情况下理解目标、制定策略并交付结果。</p> https://tinyseeking.github.io/p/%E6%B7%B1%E5%85%A5%E8%A7%A3%E6%9E%90babyagi%E5%8E%9F%E7%90%86%E5%AE%9E%E6%88%98%E4%B8%8E%E6%BA%90%E7%A0%81%E6%8B%86%E8%A7%A3/ Tue, 27 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E6%B7%B1%E5%85%A5%E8%A7%A3%E6%9E%90babyagi%E5%8E%9F%E7%90%86%E5%AE%9E%E6%88%98%E4%B8%8E%E6%BA%90%E7%A0%81%E6%8B%86%E8%A7%A3/ <h1 id="深入解析babyagi原理实战与源码拆解">深入解析BabyAGI：原理、实战与源码拆解 </h1><h2 id="什么是babyagi">什么是BabyAGI？ </h2><p>​ BabyAGI是AI驱动的任务管理系统的一个实例，它使用 OpenAI 和向量数据库（例如 Chroma 或 Weaviate）来创建、优先级排序和执行任务。</p> <p>​ 该系统背后的主要思想是：根据先前任务执行的结果和预定义的目标创建任务。该系统是通过使用 OpenAI 的自然语言处理（NLP）的能力根据目标创建新任务，并使用Chroma/Weaveate存储并检索任务的结果来构建提示上下文。这是原始的 <a class="link" href="https://twitter.com/yoheinakajima/status/1640934493489070080?s=20" target="_blank" rel="noopener" >Task-Driven Autonomous Agent</a> （任务驱动的自治代理，2023年3月28日）的简化版本。</p> https://tinyseeking.github.io/p/%E6%B7%B1%E5%85%A5%E8%A7%A3%E6%9E%90autogpt%E5%8E%9F%E7%90%86%E5%AE%9E%E6%88%98%E4%B8%8E%E6%BA%90%E7%A0%81%E6%8B%86%E8%A7%A3/ Mon, 26 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E6%B7%B1%E5%85%A5%E8%A7%A3%E6%9E%90autogpt%E5%8E%9F%E7%90%86%E5%AE%9E%E6%88%98%E4%B8%8E%E6%BA%90%E7%A0%81%E6%8B%86%E8%A7%A3/ <h1 id="深入解析autogpt原理实战与源码拆解">深入解析AutoGPT：原理、实战与源码拆解 </h1><h2 id="介绍">介绍 </h2><p>​ 自ChatGPT发布以来，涌现了许多围绕大模型(即LLM)的应用开发框架，authGPT就是其中之一，在github上截止2024年7月达到160K颗star。这篇文章我们全面深入讲解autoGTP，首先了解autoGPT是什么，它的整体架构是怎么组织的，再通过实际使用示例来探究其运作原理及流程、最后对源码进行解析，来看它是如何实现的。</p> https://tinyseeking.github.io/p/%E5%BC%80%E6%BA%90%E6%99%BA%E8%83%BD%E4%BD%93%E6%A1%86%E6%9E%B6plan-and-execute-%E5%8E%9F%E7%90%86%E6%9E%B6%E6%9E%84%E4%B8%8E%E4%BB%A3%E7%A0%81%E5%AE%9E%E7%8E%B0/ Sun, 25 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E5%BC%80%E6%BA%90%E6%99%BA%E8%83%BD%E4%BD%93%E6%A1%86%E6%9E%B6plan-and-execute-%E5%8E%9F%E7%90%86%E6%9E%B6%E6%9E%84%E4%B8%8E%E4%BB%A3%E7%A0%81%E5%AE%9E%E7%8E%B0/ <h1 id="plan-and-execute-原理架构与代码实现">Plan-and-execute 原理、架构与代码实现 </h1><h2 id="1-介绍">1. 介绍 </h2><p>​ 为挖掘大型语言模型的推理能力，以解决多步复杂推理任务。研究人员（Wei 等人，2022）提出了少样本思维链（CoT）提示法，通过少量人工构建的分步推理示例，能让大型语言模型明确生成推理步骤，提高解决推理任务的准确率。同时，为了省去提示中人工构建示例的操作，一些研究人员（ Kojima 等人，2022）提出零样本思维链（Zero-shot-CoT）：通过将目标问题陈述后附加 “让我们一步步思考” 作为输入提示给大型语言模型，出人意料地让大语言模型取得了与少样本思维链提示法相近的性能。但尽管零样本思维链取得了成功，但它仍存在以下三个缺陷：</p> https://tinyseeking.github.io/p/%E5%BC%80%E6%BA%90%E6%99%BA%E8%83%BD%E4%BD%93%E6%A1%86%E6%9E%B6self-ask-%E5%8E%9F%E7%90%86%E6%9E%B6%E6%9E%84%E4%B8%8E%E4%BB%A3%E7%A0%81%E5%AE%9E%E7%8E%B0/ Mon, 19 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E5%BC%80%E6%BA%90%E6%99%BA%E8%83%BD%E4%BD%93%E6%A1%86%E6%9E%B6self-ask-%E5%8E%9F%E7%90%86%E6%9E%B6%E6%9E%84%E4%B8%8E%E4%BB%A3%E7%A0%81%E5%AE%9E%E7%8E%B0/ <h1 id="self-ask-原理架构与代码实现">Self-Ask 原理、架构与代码实现 </h1><h2 id="1-介绍">1 介绍 </h2><p>​ 在自然语言处理领域，大语言模型（LLMs）已展现出强大能力。但当面对复杂的推理问题，特别是在处理需要将多个子问题的答案进行组合以得出最终解答的任务时，模型存在显著缺陷。即模型能正确回答了各个子问题，却无法整合这些信息以生成正确的答案。</p> https://tinyseeking.github.io/p/%E5%BC%80%E6%BA%90%E6%99%BA%E8%83%BD%E4%BD%93%E6%A1%86%E6%9E%B6react-%E5%8E%9F%E7%90%86%E6%9E%B6%E6%9E%84%E4%B8%8E%E4%BB%A3%E7%A0%81%E5%AE%9E%E7%8E%B0/ Thu, 15 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E5%BC%80%E6%BA%90%E6%99%BA%E8%83%BD%E4%BD%93%E6%A1%86%E6%9E%B6react-%E5%8E%9F%E7%90%86%E6%9E%B6%E6%9E%84%E4%B8%8E%E4%BB%A3%E7%A0%81%E5%AE%9E%E7%8E%B0/ <h1 id="react-原理架构与代码实现">ReAct 原理、架构与代码实现 </h1><h2 id="1-介绍">1 介绍 </h2><p>​ 传统大语言模型（LLM）在处理复杂任务时，还面临着诸多局限性：比如只能进行静态推理（训练完成后内部知识固定），无法根据新情况动态调整；它们常常编造不存在的事实（称为<strong>幻觉</strong>），如描述一款从未发布的手机型号；在需要多步骤推理的任务中，容易在中间环节出错；更重要的是缺乏与外部环境的交互能力，它们像被关在信息孤岛上，无法与计算器、数据库等外部工具交互，在需要实时信息或工具辅助的复杂任务中表现不佳。而 ReAct 模式的出现，正是为了解决这些问题。</p> https://tinyseeking.github.io/p/%E6%89%8B%E6%8A%8A%E6%89%8B%E6%90%AD%E5%BB%BA%E7%AC%AC%E4%B8%80%E4%B8%AArag%E5%AE%9E%E6%88%98%E5%AE%9E%E7%8E%B0%E6%9C%AC%E5%9C%B0%E6%96%87%E6%A1%A3%E6%99%BA%E8%83%BD%E9%97%AE%E7%AD%94/ Sun, 11 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E6%89%8B%E6%8A%8A%E6%89%8B%E6%90%AD%E5%BB%BA%E7%AC%AC%E4%B8%80%E4%B8%AArag%E5%AE%9E%E6%88%98%E5%AE%9E%E7%8E%B0%E6%9C%AC%E5%9C%B0%E6%96%87%E6%A1%A3%E6%99%BA%E8%83%BD%E9%97%AE%E7%AD%94/ <h1 id="4-手把手搭建第一个-rag-实战实现本地文档智能问答">4 手把手搭建第一个 RAG 实战：实现本地文档智能问答 </h1><h2 id="41-项目概述">4.1 项目概述 </h2><p>​ 本文将带领你从零开始搭建基于 RAG（检索增强生成）的知识问答系统，实现文档上传、内容解析与并基于检索文档内容进行智能问答。系统支持 PDF、DOCX、TXT、MD 等多格式文档，通过向量数据库存储文档向量，结合大语言模型（LLM）生成准确回答，并具有流式输出功能提升用户体验，有效解决 LLM 的静态知识局限与 “幻觉” 问题。</p> https://tinyseeking.github.io/p/%E6%9E%84%E5%BB%BA-ai-agent-%E7%9A%84%E6%8A%80%E6%9C%AF%E6%9E%B6%E6%9E%84/ Fri, 09 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/%E6%9E%84%E5%BB%BA-ai-agent-%E7%9A%84%E6%8A%80%E6%9C%AF%E6%9E%B6%E6%9E%84/ <h2 id="第3章-构建-ai-agent-的技术架构">第3章 构建 AI Agent 的技术架构 </h2><p>​ 我们了解了AI Agent的概念框架后，我们就想构建智能体，但如何构建智能体呢？有没有一些设计模式或最佳实践可遵循，这些设计模式或最佳实践就形成技术架构。这节我们就深入的探索构建 AI Agent 的技术架构。</p> https://tinyseeking.github.io/p/ai-agent-%E6%A0%B8%E5%BF%83%E6%A6%82%E5%BF%B5/ Mon, 05 Jan 2026 00:00:00 +0000 https://tinyseeking.github.io/p/ai-agent-%E6%A0%B8%E5%BF%83%E6%A6%82%E5%BF%B5/ <h2 id="第2章-ai-agent-核心概念">第2章 AI Agent 核心概念 </h2><p>​ 在了解了AI Agent的起源、发展历程及其定义后，我们再来看看AI Agent的核心概念，并基于核心概念梳理出智能体的核心流程。</p> https://tinyseeking.github.io/p/%E4%BB%80%E4%B9%88%E6%98%AF%E6%99%BA%E8%83%BD%E4%BD%93ai-agent/ Thu, 25 Dec 2025 00:00:00 +0000 https://tinyseeking.github.io/p/%E4%BB%80%E4%B9%88%E6%98%AF%E6%99%BA%E8%83%BD%E4%BD%93ai-agent/ <h2 id="第1章-什么是智能体ai-agent">第1章 什么是智能体（AI Agent） </h2><h3 id="11-ai-agent-的起源">1.1 AI Agent 的起源 </h3><p>​ Agent（智能体）是一个历史悠久的概念，在许多领域都有探索。其概念最早在哲学领域探讨，可以追溯到公元前350年左右的亚里士多德（Aristotle）和休谟等思想家，他们在哲学作品中描述一些拥有欲望、信念、意图和具有行动能力的实体，可以称之为智能体。从哲学意义上讲，“智能体”是指具有行动能力的实体。需要注意的是，这些智能体不仅包括个体人类，还包括物理和虚拟世界中的其他实体。重要的是，智能体的概念涉及个体自主性，赋予它们行使意志、做出选择和采取行动的能力，而不是被动地对外界刺激做出反应。</p>