数字旗手

1个月前（2025年10月15日），LangChain的工程师Lance Martin和Manus的联合创始人Peak（季逸超）有一个关于上下文工程的网络研讨，录屏在这里；潘锦有一篇非常好的笔记，在这里。 这里将基于Youtube的视频录屏和潘锦的笔记，融合学习记录一下。 前言 当大模型厂商竞相宣扬 100万 甚至 200万 Token 的超长上下文窗口时，身处生产一线的工程师们却发现了一个残酷的现实：“能放得下”并不等于“能处理好”。 在构建复杂 AI Agent（智能体）的过程中，上下文不仅是信息的容器，更是成本、延迟与智能水平的制约瓶颈。Lance和Pete的对话揭示了当前 AI 顶

随着引入 Skills（技能），越来越多人对 Claude 的“智能体 (agentic) 生态系统”中各个组件如何协作很感兴趣。无论你是在构建 Claude Code 的复杂工作流、用 API 打造企业解决方案，还是在 Claude.ai 上最大化个人效率，知道什么时候该用什么工具都会极大地改变你与 Claude 的协作方式。 本指南将分解每个构建模块 (building block)，解释何时使用，以及如何将它们组合起来，形成强大的代理工作流。 理解智能体的构建模块 (agentic building blocks) 什么是 Skills？ * Skills 是一个 文件夹，里面包含

Authentik是目前在自托管领域非常受欢迎的开源身份认证与授权系统，它是很多现代应用（包括FastAPI、Vue、Kubernetes Dashboard、Grafana 等）常用的统一身份认证（SSO）解决方案。 它可以实现的主要功能清单如下： 类别功能描述🧑 用户管理用户注册、密码找回、邮箱验证、分组、属性扩展🔐 登录方式用户名+密码、MFA（TOTP、短信、WebAuthn）、社交登录🔄 单点登录 (SSO)完整支持 OIDC、OAuth2、SAML 2.0🎟️ 授权内置 RBAC（角色、组、策略），支持自定义规则（Python 表达式）🧾 应用管理可以为任意外部应用注册

Langfuse是一个开源的LLM工程平台/可观测 (observability) 工具，旨在帮助开发、监控、评估、调试基于大语言模型 (LLM) 的应用。本文将从0经验开始试用下Langfuse，看看它有哪些功能及其效果。 安装部署 可以直接注册个Langfuse Cloud账号来体验，也可以自部署，这里采用docker进行自部署： 1 2 3 git clone https://github.com/langfuse/langfuse.git cd langfuse docker compose up 顺利启动后，可以通过http://localhost:3000来访问。

当前“规范驱动开发”（Spec-Driven Development）火热程度超过了“氛围编程”（Vibe Coding），本文尝试使用Claude Code搭配Spec-Kit来体验下。 安装必要软件 安装Claude Code 一条命令执行即可： 1 npm install -g @anthropic-ai/claude-code 设置模型 国内使用Claude系列模型的门槛较高，这里使用Qwen3-Coder来替代。可以参考这里。 因为Qwen3-Coder提供了对Anthropic格式的支持，所以直接设置环境变量即可。 对于其他模型，可以使用claude-code-rou

这是记录一下在阿里云服务器部署n8n的过程。。 购买 云服务器推荐购买至少4GB内存，这样服务器不容易卡死。 部署n8n 使用npm部署n8n未成功，此处使用docker进行部署。 创建卷 1 docker volume create n8n_data 运行 1 docker run -it -d --restart unless-stopped --name n8n -p 5678:5678 -e N8N_SECURE_COOKIE=false -e N8N_HOST=http://8.130.100.xx -e N8N_PORT=5678 -e N8N_PROTOCOL=

将 n8n 与 MCP (Model Context Protocol) 结合，是目前 AI 自动化领域非常前沿且强大的玩法。n8n 可以同时作为 MCP 客户端（Client） 和 MCP 服务器（Server），和外部 MCP 生态双向集成。 一、作为 MCP 客户端：在 AI Agent 里调用外部 MCP Server 使用 MCP Client Tool 节点 来把外部 MCP server 暴露的工具接入到 n8n 的 AI Agent。[MCP Client Tool] 1. 在 AI Agent 中添加 MCP Client Tool 工具节点。 2. 配置： * En

本文研究一下基于 n8n (https://docs.n8n.io/) 搭建一个生产级别的知识库问答系统（通常称为 RAG - Retrieval Augmented Generation）。这个过程需要考虑数据的持续导入（Ingestion）、向量化质量、检索准确度以及会话记忆。官方参考教程见这里。 为了实现生产级别，需要将系统拆分为两个独立的核心工作流（Workflows）： 1. 数据入库工作流 (ETL Pipeline): 负责将文档（PDF, 文本, 网页）读取、清洗、分块（Chunking）、向量化并存入向量数据库。 2. 问答检索工作流 (QA Chat Pipelin

n8n的AI智能体功能底层是基于LangChain封装的，这使得它非常强大。 下面研究一下n8n AI能力，将 n8n 的 AI 学习路径分为 5 个阶段，从最简单的“一问一答”到复杂的“多智能体协作”。 第一阶段：Hello World (基础 LLM 链) 描述 目标：让 AI 处理一段文本（如总结文章、翻译）。这是最基础的“输入 -> 处理 -> 输出”模式。 核心概念： 1、Model (模型)：AI 的大脑 (如 GPT-4)。 2、Chain (链)：将提示词和模型连接起来的逻辑。 构建步骤： 1. 添加 Manual Trigger（手动触发）。 2. 添加 Basic

对Agno的Cookbook中的例子深入研究下。 最基本的Agent 源码 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 """🗽 Basic Agent Example - Creating a Quirky News Reporter This example shows how to create a basic AI agent with a distin