数字旗手

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

本文循序渐进地实现一套“最小可用（MVP）”的发布 / 订阅（Pub/Sub）系统，用纯 Python、零第三方依赖，重点是：好懂、能跑、能扩展。 最小可用实现 设计思路（非常简化） 我们只保留 Pub/Sub 的三要素： 1. 主题（Topic） 2. 订阅者（Subscriber）：本质是一个回调函数 3. 消息代理（Broker）：负责管理订阅关系和消息分发 👉 发布者和订阅者互相不知道对方，只和 Broker 打交道。 最小可用实现 1️⃣ 消息代理（Broker） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 class

了解了Agno的基本运行原理，再来深入了解一下进阶的概念。 本文针对于Workflows概念进行深入研究。 🧩 什么是 Workflows（工作流）？ Agno 的 工作流（Workflows） 让你可以通过一系列定义好的步骤（steps） 来编排智能体（Agents）、团队（Teams）以及函数（Functions），从而构建出 确定性（deterministic）、可控（controlled） 的智能系统。 与自由形式（free-form）的智能体交互不同，工作流提供结构化的自动化控制，保证每次执行的逻辑一致、结果可预测，因此非常适合需要可靠性与可重复性的生产环境。 🚀 为

了解了Agno的基本运行原理，再来深入了解一下进阶的概念。 本文针对于Teams概念进行深入研究。 概述 一个 Team（团队） 是由多个智能体（或其他子团队）组成的集合，它们协作完成任务。 下面是一个简单示例： 1 2 3 4 5 6 7 8 from agno.team import Team from agno.agent import Agent team = Team(members=[ Agent(name="智能体 1", role="你用英文回答问题"), Agent(name="智能体 2", role="你用中文回答问题"), Team(

Agno是一个用于构建AI智能体（包括多模态智能体和多智能体）的开源Python框架，支持工具调用、记忆、知识检索、可观测性等特性，可用于生产环境，它一个特点是非常快，官网有它与其他框架的一个速度对比。 这里将对Agno进行下研究。 安装 创建虚拟环境 1 2 uv venv --python 3.12 source .venv/bin/activate 安装依赖 1 uv pip install -U agno openai anthropic mcp "fastapi[standard]" sqlalchemy 配置key 1 export OPENAI_API_KE

引言：从图像到视频，分割技术的演进与挑战 初代Segment Anything Model (SAM)的问世，标志着图像分割领域进入了一个新纪元。它所展现的“万物可分割”能力，为计算机视觉的众多应用奠定了坚实的基础。然而，真实世界是动态的，静态图像仅仅是其瞬时快照。随着多媒体内容的爆炸式增长，将分割技术从静态图像扩展到动态视频，已成为业界迫切的需求。 这一扩展并非简单的技术延伸，而是面临着一系列独特的、严峻的挑战。首先，视频中的实体在运动、形变和遮挡过程中，其外观会发生剧烈变化，对模型的鲁棒性提出了极高要求。其次，由于拍摄条件和压缩等因素，视频数据通常质量较低，存在运动模糊、分辨率不高等问题

引言 在自然语言处理（NLP）领域，基于网络规模数据预训练的大型语言模型（LLM）正以其强大的零样本和少样本泛化能力掀起一场技术革命。这些被称为“基础模型”的技术，能够处理训练阶段未曾见过的新任务和数据分布。然而，将这一成功范式迁移至计算机视觉领域却面临着独特的挑战，尤其是许多视觉任务缺乏类似NLP中海量的、现成的训练数据。在此背景下，为核心视觉任务构建基础模型已成为推动领域发展的战略性需求。 Segment Anything (SA)项目应运而生，其核心目标正是为图像分割这一基础视觉任务构建一个强大的基础模型。该项目的实现依赖于三个盘根错节、相互依赖的核心支柱，它们共同构成了一个无法分割的

如果说大模型（LLM）是“大脑”，智能体（Agent）是“手脚”，那么大数据（Big Data）就是“环境”与“土壤”。 过去十年，大数据解决的核心问题是“存储与计算”；未来十年，智能体与大数据结合解决的核心问题将是“理解与行动”。 结合行业的前沿实践，我认为智能体与大数据的深度结合点主要体现在以下四个维度： 一、 交互层结合：从“人找数”到“数找人”的范式革命 这是最直观，但也是最颠覆的结合点。 1. 智能体作为大数据的“超级接口” (The Agentic Interface) 传统大数据的使用门槛极高（SQL、Python、BI 拖拽）。 * 现状：业务人员看 Dashboa