Jason Dong

Hexo 常用命令基础命令 命令 简写 说明 hexo server hexo s 启动本地服务器，预览博客 hexo generate hexo g 生成静态文件 hexo deploy hexo d 部署博客到服务器 hexo clean - 清除缓存文件和已生成的静态文件 常用组合命令123456789# 本地预览hexo server # 启动本地服务器，默认 http://localhost:4000hexo s --debug # 调试模式启动# 构建并部署hexo clean && hexo g && hexo d # 清除、生成、部署一条龙# 快速部署hexo g -d # 生成后直接部署 文章管理 命令 说明 hexo new <title> 创建新文章（默认 Markdown） hexo new page <name> 创建新页面 hexo new draft <title> 创建草稿 hexo ...

Extra06 - Agent应用开发实践踩坑与经验分享学完 Hello-Agents 教程之后，最后一个任务是毕业设计。用所学的知识自己手搓一个Agent应用，刚好那段时间 Code Agent 特别火，Cursor、Claude Code、Codex… 各家都在推自己的产品。心想既然要练手，不如复刻一个 Code Agent，自己手搓一遍，才能真正理解这些产品为什么好用，以及它们到底在工程上做对了什么。 于是就有了这个项目。基于Hello-Agents框架的Code Agent代码仓库：https://github.com/datawhalechina/hello-agents/tree/main/Co-creation-projects/YYHDBL-HelloCodeAgentCli 重构后MyCodeAgent代码仓库：https://github.com/YYHDBL/MyCodeAgent.git 这篇文章不是教程，是我在做这个 Code Agent 项目过程中踩过的坑、走过的弯路、以及最后怎么解决的一些记录。 目录 第一章：看了太多最佳实践，反而踩进第一个大坑 第 ...

Extra06 - 如何写出好的 Skill 什么是 Skill？怎么写好skill？我们沿着 skill-creator 的设计思路，找到答案。本篇文章的目标是：读完它，就了解了写skill的最佳实践。 一、什么是 Skill？1.1 定义Skill 是一个文件夹，里面装着指令文档、参考资料、可执行脚本等资源。AI 拿到它，就能胜任一项原本不会的特定工作。 比如一个 pdf-editor 技能文件夹里，可能有一份”怎么处理 PDF”的操作指令、一个旋转 PDF 的 Python 脚本、一份 API 参考文档——AI 不需要从外部再找任何东西，这个文件夹里全有了。 这个概念不限于某一个产品。无论是 Codex、Claude 还是其他 AI Agent，skill 的本质都一样。你可以把它理解为 AI 的一个能力插件——插上去，AI 就多了一项专长；拔掉，AI 还是原来那个通用助手。 1.2 最小形态一个 skill 最少只需要一个文件： 12my-skill/└── SKILL.md SKILL.md 的结构很简单——上半部分告诉 AI”什么时候用我”，下半部分告诉 AI”具体 ...

Extra07 - 环境配置 本节将指导您配置运行 FirstAgentTest.py 所需的完整环境。该代码实现了一个智能旅行助手，展示了基于工具调用的 Agent 实现模式。 一、环境要求1.1 Python 版本要求 Python 3.10+ （推荐使用 Python 3.10 或更高版本） 支持的操作系统：Windows、macOS、Linux 1.2 目标代码说明我们的目标是成功运行项目code\chapter1\FirstAgentTest.py，该代码实现了： 智能旅行助手功能 天气查询工具（基于 wttr.in API） 景点推荐工具（基于 Tavily Search API） OpenAI 兼容的 LLM 调用 ReAct 模式的 Agent 执行流程 二、API 配置2.1 大语言模型 API 配置选项一：AIHubmix API（推荐）AIHubmix 是一个位于美国特拉华州的 AI 模型聚合平台，整合了市面上主流的大语言模型，新发布的模型通常在一周内即可使用。该平台直接对接各大云服务商的原生 API（如 OpenAI 通过 Azure、Anthropic ...

Extra06 - GUI Agent 科普与实战——下一代人机交互的探索之旅引言：当 AI 学会”看”屏幕想象一下这样的场景：你对着手机说”帮我订一张明天去上海的高铁票，二等座，上午 10 点左右出发”，然后 AI 自动打开铁路 12306 APP，填写出发地、目的地和日期，筛选符合条件的车次，完成预订并付款——整个过程无需你手动操作，AI 就像一个真实的助手一样，”看”着屏幕，”理解”界面，”点击”按钮。 这不是科幻，而是 GUI Agent（图形用户界面智能体） 正在实现的现实。 在过去的二十年中，企业自动化的主流方案是 RPA（机器人流程自动化）。然而，RPA 有一个致命弱点：它依赖于固定的 UI 元素选择器（Selectors），一旦界面稍有变化，脚本就会失效。这种脆弱性导致了巨大的维护成本。 而 GUI Agent 的出现，彻底改变了这个局面。它不是简单地”回放”预设的脚本，而是像人类一样，通过视觉感知理解屏幕内容，通过大语言模型的推理能力规划操作路径，在动态、未知的软件环境中自主完成任务。 本章将带你深入了解 GUI Agent 的技术原理，并通过三个实战案例，让你真正掌 ...

Extra04 - Agent Skills 与 MCP：智能体能力扩展的两种范式引言：MCP 之后，我们还需要什么？在第十章中，我们深入探讨了 MCP（Model Context Protocol）如何通过标准化协议解决智能体与外部工具的连接问题。你已经学会了如何让智能体通过 MCP 访问数据库、文件系统、API 服务等各种资源。让我们回顾一个典型的 MCP 使用场景： 123456789101112from hello_agents import ReActAgent, HelloAgentsLLMfrom hello_agents.tools import MCPToolllm = HelloAgentsLLM()agent = ReActAgent(name="数据分析助手", llm=llm)# 连接到数据库 MCP 服务器db_mcp = MCPTool(server_command=["python", "database_mcp_server.py"])agent.add_tool(db_mcp)# 智能体现在 ...

Extra03 - Dify智能体搭建实战指南：从零构建全能个人助手(保姆级教程) 作者： Tasselszcx 原创教程 | 保姆级指南 | 完整实践 1. 安装所需插件在构建智能体之前，需要先完成必要的插件安装和 MCP 配置。如图1所示，按照图中文字指示一步步安装本章节所需插件。 图1 插件安装示意图 2. 配置MCP（Model Context Protocol）关于 MCP 的详细原理这里不展开，我们重点演示如何使用云端部署的 MCP 服务。本案例使用国内的魔搭社区 MCP 市场进行演示，具体步骤如下： (1) 进入ModelScope社区：https://www.modelscope.cn/home (2) 注册账号并登录，如图2所示 图2 ModelScope注册登录界面 (3) 进入高德地图MCP配置页面 登录后，按照图3所示，一步步点击进入高德地图MCP配置页面 页面应如图4所示 图3 高德地图MCP入口指引 图4 高德地图MCP配置页面 (4) 进入高德开放平台：htt ...

Extra02 - 上下文工程补充知识引入为什么上下文工程最近又再次火热起来？源自 Chroma 创始人兼 CEOJeff 在 Len Space 播客的对话，Chroma 向量数据库领域的开源霸主。连大名鼎鼎的 Voyager 论文里用的都是它。CEOJeff 对话的标题就是关于“RAG is dead”的观念，在视频中很明显的说明了原本的RAG的局限性和现在context engnieer的重要性，  本章我们先全面讲解一下“上下文工程”的（context engnieer）概念，并在文章最后谈一下对 Rag is dead 的看法 什么是上下文工程？我们可以打一个比方，Agent就像一种新型操作系统。LLM如同CPU，其上下文窗口如同RAM，作为模型的工作内存。就像RAM一样，LLM上下文窗口的容量有限，无法处理各种来源的上下文。而上下文工程就像操作系统管理CPU的RAM一样，去管理LLM的上下文窗口，决定在何时去填充什么内容。Karpathy总结得很好：“上下文 ...

Extra01 - LLM & VLM & Agent 面试回答参考本文档旨在为大语言模型（LLM）、视觉语言模型（VLM）、智能体（Agent）、RAG及相关领域的面试提供一个全面的复习指南。仅提供1-6部分参考答案，7、8章节为半开放题目，可以自行借助AI或结合自身经历回答。 1. LLM 八股1.1 请详细解释一下 Transformer 模型中的自注意力机制是如何工作的？它为什么比 RNN 更适合处理长序列？ 参考答案： 自注意力（Self-Attention）机制是Transformer模型的核心，它使得模型能够动态地衡量输入序列中不同单词之间的重要性，并据此生成每个单词的上下文感知表示。 工作原理如下： 生成Q, K, V向量： 对于输入序列中的每一个词元（token）的嵌入向量，我们通过乘以三个可学习的权重矩阵 $W^Q, W^K, W^V$ ，分别生成三个向量：查询向量（Query, Q）、键向量（Key, K）和值向量（Value, V）。 Query (Q): 代表当前词元为了更好地理解自己，需要去“查询”序列中其他词元的信息。 Key ...

Extra01 - LLM & VLM & Agent 面试问题总结本文档是在备战2025秋招过程中整理的面试“八股”合集。 楼主主要投递的岗位包括：大模型算法工程师、Agent工程师、AI开发工程师、算法评测工程师等，面试公司以国内互联网中大厂为主。因此，本文档中的问题深度和广度都围绕这些岗位的要求展开，内容涵盖了从 LLM/VLM 核心理论，到 RAG/Agent 应用开发，再到 RLHF 对齐技术和模型/Agent 评估等全链路技术栈。所有问题均整理自多次线上技术面试的真实经历。 【使用建议】本文档仅供学习与参考。为了达到最佳效果，强烈建议先独立思考每个问题，尝试构建自己的答案，然后再对照文档提供的参考思路进行查漏补缺。知其然，更要知其所以然。直接背诵是效率最低的方式。 预祝各位求职顺利，都能拿到心仪的Offer！ 1. LLM 八股 请详细解释一下 Transformer 模型中的自注意力机制是如何工作的？它为什么比 RNN 更适合处理长序列？ 什么是位置编码？在 Transformer 中，为什么它是必需的？请列举至少两种实现方 ...