数字旗手

v1: 模型即代理 ~200 行代码，4 个工具，所有编程 Agent 的本质。 Claude Code 的秘密？没有秘密。 剥去 CLI 外观、进度条、权限系统，剩下的出奇简单：一个让模型持续调用工具直到任务完成的循环。 核心洞察 传统助手： 1 用户 -> 模型 -> 文本回复 Agent 系统： 1 2 用户 -> 模型 -> [工具 -> 结果]* -> 回复 ^_________| 星号很重要。模型反复调用工具，直到它决定任务完成。这将聊天机器人转变为自主代理。 核心洞察：模型是决策者，代码只提供工具并运行循环。

shareAI-lab在github上有一系列的源码，通过研究Claude Code帮助学习智能体开发。仓库在这里。 本系列文章就是对这些源码的学习，本篇是第一篇。 v0: Bash 就是一切 终极简化：~50 行代码，1 个工具，完整的 Agent 能力。 Agent 的本质到底是什么？ v0 通过反向思考来回答——剥离一切，直到只剩下核心。 核心洞察 Unix 哲学：一切皆文件，一切皆可管道。Bash 是这个世界的入口： 你需要Bash 命令读文件cat, head, grep写文件echo '...' > file搜索find, grep, rg执行python, npm, m

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

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(