我的个人网站
通用 Agent 让”做”这件事快速贬值，于是价值整体迁移到了”做之前”和”做之后”——决定让它干什么，以及判断它干得对不对。中间那段”动手”，才是正在被商品化的部分。
现在流行的一种说法是：通用 Agent = Coding Agent + 文件系统。
这个范式解决的是动作空间的通用：它能调 API、能爬网页、能改表格、能跑脚本，看起来什么都能干。但它没解决的是另外三件事：
这三件事，一件都没有被自动化。 继续阅读“通用 Agent 时代，价值迁移到了哪里”
流程工业判断 Agent 必要性，逻辑与互联网场景根本不同：Agent 不是主战场，而是确定性自动化层覆盖不到的残差区。本文给出时间尺度切分、五层否决漏斗与三个可立即执行的诊断动作。
互联网场景问的是”这个业务值不值得用 AI 重做一遍”；流程工业必须先问另一个问题：
“这个场景是不是已经被确定性层覆盖了？”
因为流程工业是极少数已经拥有成熟确定性自动化栈的行业：SIS 管安全联锁、DCS/PLC 管回路、APC/MPC 管多变量优化、MES/ERP 管执行与计划。这套栈是几十年工程积累、可认证、可追责的。Agent 引入的却是概率性——而来自过程系统工程研究的结论很冷酷：目前不存在将 LLM 认证为 SIL 1 及以上安全功能组成部分的路径。
所以，Agent 在流程工业的战场不是主战场，而是确定性层覆盖不到的残差区。必要性判断的全部功夫，就在于准确圈出这个残差。 继续阅读“工业流程企业，如何准确判断智能体应用的必要性？”
这个仅用500行核心代码构建的AI代码Agent框架，展示了如何让自然语言指令直接转化为可执行的Python代码。它不只是简单的“输入-生成-输出”，而是具备安全沙盒执行和自动纠错能力——当LLM生成的代码出现bug时，系统会自动将错误信息反馈给模型进行修复，最多尝试3次，全程无需人工干预。通过四个抽象接口（LLM、执行器、工具、历史管理）和一个核心编排引擎，实现了“生成→执行→改进”的智能循环。…
从零开始实现和了解一个极简但功能完整的 AI 代码 Agent 框架——code-agent-demo。不到 500 行核心代码，却涵盖了 LLM 调用、安全沙盒、自动改进循环、历史管理、CLI 交互等所有关键环节。
想用手机拍张棋盘照片，瞬间生成国际通用的FEN棋谱字符串？这篇文章拆解了实现这一功能的最佳技术路径。从通过边缘检测和透视变换矫正棋盘变形，到精确分割90个格子，再到训练轻量级CNN模型识别每种棋子（红黑共15类），最后按规则组装成FEN串。全程结合传统图像处理与深度学习，既避免了纯手工方法对光线和棋子的苛刻要求，又比端到端模型更易实现。无论你是想做个棋谱记录工具，还是研究计算机视觉落地，这套清晰、…
将一个中国象棋的图片识别为FEN串是一个非常经典且实用的计算机视觉任务。要最有效地完成它，通常需要一个结合了传统图像处理和现代深度学习的端到端流程。以下是实现这一目标最高效、最可靠的步骤和方案：
综合之前讨论的大模型生成代码的原理（概率模式匹配）和Claude Code的工程实践（生成-验证-修复闭环），对开发者而言，核心启示可以提炼为以下五大黄金实践。
综合之前讨论的大模型生成代码的原理（概率模式匹配）和Claude Code的工程实践（生成-验证-修复闭环），对开发者而言，核心启示可以提炼为以下五大黄金实践。
Claude Code 的设计中，代码正确性保障原则，是被当成了一套工程化的“生成-验证-修复”闭环来运作的。它将大模型强大的生成能力与各种确定性验证工具相结合，形成了一套机制，具体体现在以下几个关键环节：
Claude Code 的设计中，代码正确性保障原则，是被当成了一套工程化的“生成-验证-修复”闭环来运作的。它将大模型强大的生成能力与各种确定性验证工具相结合，形成了一套机制，具体体现在以下几个关键环节：
大模型（如GPT系列）生成代码，其底层机制与生成自然语言没有本质区别，核心是自回归式的概率预测。可以理解为三个关键点：
大模型（如GPT系列）生成代码，其底层机制与生成自然语言没有本质区别，核心是自回归式的概率预测。可以理解为三个关键点：
深入解析AI Agent的架构设计、核心组件与实现机制，从感知-思考-行动循环到Skill技能编程，全面理解自主智能系统的构建原理。
AI Agent架构与实现：从大语言模型到自主智能系统
1-概述什么是ai-agent
2-核心框架感知-思考-行动循环
3-组件架构与台式机的类比
4-skill技能的编程实现
5-llm的配合实现机制
6-llm能力如何获得训练与激发
7-总结与展望
