https://x7peeps.com/tags/agent/index.htmlHugozh-CNThu, 03 Sep 2026 17:30:00 +0800https://x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/grill-with-docs%E5%AE%9E%E6%88%98%E4%BB%8Erubber-duck%E5%88%B045%E5%88%86%E9%92%9F%E9%A2%86%E5%9F%9F%E8%AF%AD%E8%A8%80%E5%85%B1%E5%BB%BA%E4%BC%9A/index.htmlThu, 03 Sep 2026 17:30:00 +0800https://x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/grill-with-docs%E5%AE%9E%E6%88%98%E4%BB%8Erubber-duck%E5%88%B045%E5%88%86%E9%92%9F%E9%A2%86%E5%9F%9F%E8%AF%AD%E8%A8%80%E5%85%B1%E5%BB%BA%E4%BC%9A/index.html从 rubber duck 到 grill-with-docs：把 AI 当成 45 分钟的领域语言共建会 为什么现在谈这个 2026 年 3 月，Matt Pocock 发了一条视频《My ‘Grill Me’ Skill Went Viral》——一个 6 行的 Claude Code skill（让 agent 持续追问需求直到达成共识），随后在开发者社区被广泛采用。同月，4 月他把它升级为 /grill-with-docs（带落盘能力的版本），到 8 月初的 v1.2 时，这个原始协议已经膨胀成 25 个 skill 组成的工程流水线。https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Function-Calling%E4%B8%8ETool-Use%E5%B7%A5%E4%BD%9C%E5%8E%9F%E7%90%86%E7%BC%96%E6%8E%92%E6%A8%A1%E5%BC%8F%E4%B8%8E%E5%AE%89%E5%85%A8%E8%80%83%E9%87%8F/index.htmlFri, 03 Jul 2026 15:17:54 +0800https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Function-Calling%E4%B8%8ETool-Use%E5%B7%A5%E4%BD%9C%E5%8E%9F%E7%90%86%E7%BC%96%E6%8E%92%E6%A8%A1%E5%BC%8F%E4%B8%8E%E5%AE%89%E5%85%A8%E8%80%83%E9%87%8F/index.htmlFunction Calling 与 Tool Use：工作原理、编排模式与安全考量 Function Calling 是现代 LLM Agent 体系的基石能力——没有它，大模型只是一个封闭的文本生成器；有了它，大模型才能与真实世界交互。从 2023 年 6 月 OpenAI 首次在 GPT-3.5/GPT-4 中引入 Function Calling，到 Anthropic 为 Claude 推出 Tool Use，再到各开源模型纷纷跟进，工具调用已经从"锦上添花"变成了 Agent 架构的必选组件。https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Qwen-MM-Plugins%E5%88%B0%E5%BA%95%E6%80%8E%E4%B9%88%E6%A0%B7%E6%8A%8A%E5%A4%9A%E6%A8%A1%E6%80%81%E8%83%BD%E5%8A%9B%E6%8F%92%E8%BF%9BHermes%E7%9A%84%E5%AE%8C%E6%95%B4%E5%AE%9E%E6%B5%8B/index.htmlFri, 14 Aug 2026 17:50:54 +0800https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Qwen-MM-Plugins%E5%88%B0%E5%BA%95%E6%80%8E%E4%B9%88%E6%A0%B7%E6%8A%8A%E5%A4%9A%E6%A8%A1%E6%80%81%E8%83%BD%E5%8A%9B%E6%8F%92%E8%BF%9BHermes%E7%9A%84%E5%AE%8C%E6%95%B4%E5%AE%9E%E6%B5%8B/index.htmlQwen-MM-Plugins 到底怎么样：把多模态能力插进 Hermes 的完整实测 作者：x7peeps · 2026-08-14 全部数据来自本机真实实验：Mage-VL-8bit 本地视觉模型（M5 Max）+ deepseek-v4-flash 主模型 + Qwen-MM-Plugins core v1.0.2https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E8%AE%B0%E5%BF%86%E7%B3%BB%E7%BB%9F%E7%9F%AD%E6%9C%9F%E9%95%BF%E6%9C%9F%E5%B7%A5%E4%BD%9C%E8%AE%B0%E5%BF%86%E7%9A%84%E6%8A%80%E6%9C%AF%E6%96%B9%E6%A1%88%E5%AF%B9%E6%AF%94/index.htmlFri, 03 Jul 2026 15:17:54 +0800https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E8%AE%B0%E5%BF%86%E7%B3%BB%E7%BB%9F%E7%9F%AD%E6%9C%9F%E9%95%BF%E6%9C%9F%E5%B7%A5%E4%BD%9C%E8%AE%B0%E5%BF%86%E7%9A%84%E6%8A%80%E6%9C%AF%E6%96%B9%E6%A1%88%E5%AF%B9%E6%AF%94/index.html一、为什么 Agent 需要记忆 1.1 从无状态到有状态的范式跃迁 大语言模型（LLM）本质上是一个无状态的函数：每次调用传入一段文本，返回一段文本。模型本身不保留任何跨调用的上下文。这意味着，当你对 ChatGPT 说"我叫张三"，下一次对话它并不记得你。https://x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/AI-Native-IT%E8%BF%90%E7%BB%B4%E5%B9%B3%E5%8F%B0Agent%E9%87%8D%E6%9E%84%E4%BC%81%E4%B8%9AIT%E6%9C%8D%E5%8A%A1%E6%9E%B6%E6%9E%84/index.htmlFri, 03 Jul 2026 15:17:54 +0800https://x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/AI-Native-IT%E8%BF%90%E7%BB%B4%E5%B9%B3%E5%8F%B0Agent%E9%87%8D%E6%9E%84%E4%BC%81%E4%B8%9AIT%E6%9C%8D%E5%8A%A1%E6%9E%B6%E6%9E%84/index.html传统 IT 运维的结构性困境 企业 IT 运维部门长期面临着一个悖论：随着数字化转型的深入推进，IT 服务的复杂度和用户期望同步攀升，但运维团队的编制和预算几乎停滞不变。这种"需求膨胀、资源锁死"的剪刀差正在将传统 IT 运维推向效率悬崖。https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/LangChain%E4%B8%8ELangGraph%E6%8A%80%E6%9C%AF%E6%A0%88%E6%A0%B8%E5%BF%83%E6%8A%BD%E8%B1%A1%E5%B7%A5%E4%BD%9C%E6%B5%81%E7%BC%96%E6%8E%92%E4%B8%8E%E7%94%9F%E4%BA%A7%E5%AE%9E%E8%B7%B5/index.htmlWed, 01 Jul 2026 12:21:09 +0800https://x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/LangChain%E4%B8%8ELangGraph%E6%8A%80%E6%9C%AF%E6%A0%88%E6%A0%B8%E5%BF%83%E6%8A%BD%E8%B1%A1%E5%B7%A5%E4%BD%9C%E6%B5%81%E7%BC%96%E6%8E%92%E4%B8%8E%E7%94%9F%E4%BA%A7%E5%AE%9E%E8%B7%B5/index.html一、LangChain 生态全景 LangChain 是当前 LLM 应用开发领域最成熟、最庞大的开源框架生态。理解它在整体技术栈中的定位，是选择技术方案的前提。https://x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/Context-Engineering%E4%BB%8EPrompt%E5%88%B0%E4%B8%8A%E4%B8%8B%E6%96%87%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E6%BC%94%E8%BF%9B/index.htmlWed, 15 Jul 2026 16:21:46 +0800https://x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/Context-Engineering%E4%BB%8EPrompt%E5%88%B0%E4%B8%8A%E4%B8%8B%E6%96%87%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E6%BC%94%E8%BF%9B/index.htmlContext Engineering：从 Prompt 到上下文系统的工程化演进 在 LLM 应用开发领域，2023 年是 Prompt Engineering 的年份——开发者们痴迷于找到"神奇的措辞"来释放模型能力。但当 AI 应用从简单的单轮对话演进到复杂多步骤 Agent 系统时，一个新问题浮出水面：大多数 Agent 的失败不是因为模型不够聪明，而是因为它看到的信息不够好。https://x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E8%AE%A9AI%E7%9C%8B%E7%9D%80%E5%B1%8F%E5%B9%95%E6%93%8D%E4%BD%9C%E7%94%B5%E8%84%91-%E6%9C%AC%E5%9C%B0%E8%A7%86%E8%A7%89%E9%97%AD%E7%8E%AF%E7%9A%84%E5%9F%BA%E5%87%86%E8%AF%84%E6%B5%8B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E9%AA%8C%E8%AF%81/index.htmlWed, 19 Aug 2026 17:49:42 +0800https://x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E8%AE%A9AI%E7%9C%8B%E7%9D%80%E5%B1%8F%E5%B9%95%E6%93%8D%E4%BD%9C%E7%94%B5%E8%84%91-%E6%9C%AC%E5%9C%B0%E8%A7%86%E8%A7%89%E9%97%AD%E7%8E%AF%E7%9A%84%E5%9F%BA%E5%87%86%E8%AF%84%E6%B5%8B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E9%AA%8C%E8%AF%81/index.html让 AI「看着屏幕」操作电脑：本地视觉闭环的基准评测与工程验证 摘要 AI Agent 操作电脑的主流方案（截图 + 云端视觉模型）单步延迟 4-15 秒，token 消耗高。本文提出并验证一条本地化技术路线：以 AX（Accessibility）作为快速执行层，以本地视觉模型（Qwen2.5-VL-7B + ShowUI-2B）作为「看屏-决策-验证」层，配以 verify-loop 防误报框架，实现「目标窗口路由」的安全点击。通过严谨的基准评测（基准延迟对比、误报案例归因、2 场景 × 3 轮采样的定位/理解/决策评测、3 个端到端真实任务）验证：AX 单步 94ms（快 10-150 倍）；ShowUI-2B 定位归一化偏差 0.026（±0.000）；Qwen2.5-VL-7B 理解/决策与 72B 同效（决策命中 1.00）且快 5-7 倍；端到端任务（音乐双平台发布、Suno 音乐库检索、WPS 数据透视表）全部跑通。最终将 4 个候选模型精简为 2 个，并沉淀 5 类工程坑（坐标系统、全局点击、CEF 应用、隐私屏、远程会话）。结果表明：本地视觉闭环在延迟、成本、可靠性上全面优于云 VLM 方案，具备封装为可复用「视觉 Agent 框架」的工程基础。