AI 应用错误降级：让助手失败时仍然可用
超时、断网、频控、模型异常与证据不足时的用户提示与系统恢复策略。
AI Agent Hub
智能体学习路径
这不是散乱的文章列表，而是一条从概念、工具调用、RAG、评测到多智能体协作的路线。 每个阶段都尽量配套深度文章、实验记录或可交互 Demo。
🧭 六阶段路径
🧪 4 个实验记录
✅ 2 个可交互 Demo
📡 持续周报
Learning Path
推荐学习顺序
-
01
建立 Agent 心智模型
说清 LLM、Chatbot 与 Agent 的边界，理解规划、工具、记忆、反思四大组件。
- 能画出 Agent 循环
- 能解释 Observation 如何影响下一步
-
02
-
03
理解 ReAct 推理轨迹
把 Thought、Action、Observation 拆开看，理解 Agent 为什么不是一次性生成答案。
- 复现 ReAct 可视化
- 比较不同工具观察结果
-
04
构建可靠 RAG 问答
掌握切分、检索、重排、来源引用与证据不足拒答。
- 返回可点击来源
- 无证据时拒答
-
05
设计 Agent 评测与护栏
用任务成功率、成本、时延、幻觉率与反馈率判断质量。
- 建立 20 个回归问题
- 每周复盘点踩样本
-
06
从单体 Agent 到协作系统
理解多智能体分工、上下文共享、冲突处理与生产编排。
- 画系统时序图
- 完成一次小型协作实验
智能体文章
全部文章 →鸿蒙端渲染 SSE 流式回答：状态机比动画更重要
把等待首字、持续输出、完成、失败和恢复拆成明确状态，而不是只写成功路径。
鸿蒙端 × 前端工程 × AI Agent：我的端云一体学习线
把 ArkUI 页面、Django 接口、MySQL 数据、SSE 流式问答和 Nginx 部署连成闭环。
MCP 入门：让大模型安全地调用工具
用一条最小链路理解 MCP 的 Host、Client、Server 与 Tool。
智能体是什么：从 LLM 到 Agent 的范式转变
一句话定义：能感知环境、自主决策并调用工具完成目标的 AI 系统。
开篇宣言：为什么我在 2026 年开始认真研究智能体
大模型正在从「会聊天」走向「会干活」，这是这个博客的开始。
实验室与在线 Demo
全部实验 →AI 助手反馈闭环
记录调用日志、Token 与用户反馈，用数据优化提示词。
RAG 来源引用与拒答策略
让助手只基于站内内容回答，并在证据不足时礼貌拒答。
工具调用最小实现
用 Python 让智能体学会选择工具、抽取参数并聚合结果。
ReAct 推理可视化
一步步看智能体如何「思考—行动—观察」，并理解每步为什么这样决策。