2025年AI Agent大爆发，全面拥抱智能体
2025年是Agent从概念走向主流的关键时刻。Agent是一种自主智能体，能感知环境、决策并进化。它对程序员来说就像“超级外挂”，具备感知-决策-执行闭环和工具调用能力。为了拥抱Agent，开发者需要进行认知升级和技能重构，并通过相关课程和技术资料快速掌握技术原理。
LangChain
提示工程101第十八课：提示词格式与结构
本教程探讨如何为自然语言处理中的文本摘要、问答、代码生成和创意写作任务设计有效的提示词，使用Qwen3模型与LangChain库演示不同提示词结构和措辞对模型表现的影响，并分享最佳实践。
从文本自动生成知识图谱的开源工具：Knowledge Graph Generator
GitHub 上的 Knowledge Graph Generator 是一个基于 LangChain 和 GPT-4o 模型的开源工具，用于生成可交互的知识图谱可视化展示。
大模型才是智能体的核心，智能体的所有操作都是基于大模型完成的——智能体的执行过程
开发智能体的关键是大模型、Prompt和工具三者结合。Prompt引导模型理解和执行特定任务，工具提供具体操作手段。智能体的核心流程包括需求理解、工具选择与使用、结果分析及问题解决。
10张图全面理解AI Agents、Agentic、RAG、MCP技术栈。
分享了AI Agents、Agentic、RAG、MCP等AI技术的概念、应用和挑战，涵盖工具框架、实际案例以及路线图等内容。
提示工程101第十六课：负面提示与避免不良输出
文章介绍了如何使用负面提示来引导大型语言模型生成更可控的内容，包括基础负面示例、明确排除内容和实现约束机制等技术，并展示了结合Qwen3模型和LangChain库的应用案例。
关于基于人工智能做数据分析的两种方式——SQL和Pandas的区别
最近研究基于人工智能进行数据分析，发现大模型主要通过生成SQL或Pandas代码来完成任务，而不是直接操作大量数据。对比两种方式优缺点时，SQL擅长处理大批量数据但存在复杂场景问题，Pandas适用于格式化数据且可跨不同数据库使用。