30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度1. 背景与核心概念为什么AI大模型开发技能成为2026年求职硬通货如果你正在关注2026年的技术招聘市场会发现一个明显的趋势传统的“会调API”已经不够看了。企业需要的是能够将大模型能力真正落地、构建出稳定、可控、可扩展的智能应用的“AI应用工程师”。这背后是一套全新的技术栈和工作流。本文要探讨的正是这套由Claude Code、Codex、Hermes Agent、OpenClaw、Dify、Coze、Skill等工具和概念构成的“新基建”。简单来说这不再是关于“哪个模型最强”的争论而是关于“如何最高效地将模型能力转化为生产力”的工程实践。我们可以将这套技能栈分为三个层次代码生成与理解层Claude Code / Codex这是基础生产力工具。它们不再是简单的代码补全而是能理解复杂需求、重构旧代码、编写测试、甚至解释代码逻辑的“结对编程伙伴”。掌握它们意味着你的编码效率将发生质变。智能体Agent框架与工具调用层Hermes Agent / OpenClaw这是实现复杂任务自动化的核心。智能体Agent可以理解目标、规划步骤、调用工具如搜索、计算、操作软件并执行。Hermes Agent代表了高效的任务规划与执行框架而OpenClaw这类工具则专注于为智能体提供“手和脚”使其能操作外部系统如浏览器、数据库、API。这是构建自动化工作流和复杂AI应用的关键。低代码/无代码应用构建平台层Dify / Coze / Skill这是快速原型开发和业务人员协作的桥梁。Dify、Coze等平台允许你通过可视化方式串联提示词、模型、知识库、工具链快速构建一个可交付的AI应用。而“Skill”则是在这些平台上封装好的、可复用的能力模块。为什么说这套技能“一套全搞定”因为它覆盖了从底层代码开发Claude Code、到中层智能逻辑编排Hermes Agent、再到上层应用快速搭建Dify的完整链路。无论是想深入研发AI Agent框架还是想快速为业务部门打造一个智能客服机器人这套技能栈都能为你提供合适的工具和思路。接下来我们将从环境准备开始一步步拆解如何掌握这些“2026年必备技能”。2. 环境准备与版本说明在开始实战之前我们需要搭建一个统一且可复现的本地开发环境。由于涉及的工具链较多我们以Python为核心采用虚拟环境进行隔离确保依赖清晰。核心环境操作系统macOS / Linux (推荐Ubuntu 22.04) 或 Windows 10/11 (WSL2环境下)。Python版本 3.9 - 3.11。这是大多数相关库兼容性最好的范围。本文示例使用 Python 3.10。包管理使用pip和venv创建虚拟环境。IDE/编辑器VS Code强烈推荐并安装 Python、Jupyter 等扩展。其内置的 Copilot 也能与我们将要使用的工具形成互补。API Keys你需要准备以下服务的API密钥部分有免费额度OpenAI API Key(用于 Codex 及后续的模型调用)Anthropic API Key(用于 Claude 系列模型包括 Claude Code)其他平台如 Dify、Coze 通常在其云平台上注册即可获得。版本说明与依赖管理AI领域迭代极快以下版本为撰写时的常见选择实际使用时请务必查阅官方最新文档。# 1. 创建并激活虚拟环境 python3.10 -m venv ai_agent_env source ai_agent_env/bin/activate # Linux/macOS # ai_agent_env\Scripts\activate # Windows # 2. 升级pip pip install --upgrade pip # 3. 安装核心依赖 # 用于HTTP请求和API调用 pip install openai anthropic # 用于智能体开发以LangChain为例它是事实上的标准之一 pip install langchain langchain-openai langchain-anthropic langchain-community # 用于工具调用例如网页抓取、命令行交互 pip install playwright beautifulsoup4 requests # 用于开发Web应用或API配合Dify等平台 pip install fastapi uvicorn重要提示Hermes Agent和OpenClaw可能指代特定的开源项目或研究框架。在实践时它们的概念通常通过LangChain、AutoGen或CrewAI等成熟框架来实现。本文将以LangChain为核心来演示“Hermes Agent”式的任务规划和工具调用能力。OpenClaw所代表的“工具调用”能力我们将通过LangChain Tools和Playwright来实现。3. 核心技能拆解从代码生成到智能体构建3.1 Claude Code 与 Codex你的超级编程助手Claude Code(通常指 Claude 3 系列的代码模型如 Claude 3 Sonnet/Opus) 和Codex(GPT-3.5/4 的代码版本) 不再是玩具。它们能理解上下文、进行代码重构、编写文档和测试。关键不在于“问它怎么写Hello World”而在于如何将它集成到你的开发流中。实战使用API进行代码审查与重构假设我们有一段效率较低的Python数据清洗函数让我们用Claude和Codex来优化它。# 原始代码demo_original.py def clean_data(data_list): result [] for item in data_list: if item is not None: temp str(item).strip() if temp ! : result.append(temp.upper()) return result # 调用Claude/Codex API进行优化的脚本code_refactor.py import anthropic import openai import os # 请将你的API Key设置在环境变量中如 ANTHROPIC_API_KEY, OPENAI_API_KEY # export ANTHROPIC_API_KEYyour_key_here def refactor_with_claude(code_snippet): client anthropic.Anthropic(api_keyos.getenv(ANTHROPIC_API_KEY)) prompt f请扮演一个资深的Python代码审查员。请分析以下Python函数指出其可读性和性能上的问题并提供一个重构后的优化版本。优化时请考虑使用Pythonic的写法如列表推导式、filter/map等。 原函数 python {code_snippet} 请直接输出重构后的Python代码并附上简要的优化说明。 message client.messages.create( modelclaude-3-sonnet-20240229, max_tokens1000, temperature0.1, # 低温度保证代码稳定性 messages[{role: user, content: prompt}] ) return message.content[0].text def refactor_with_openai(code_snippet): client openai.OpenAI(api_keyos.getenv(OPENAI_API_KEY)) response client.chat.completions.create( modelgpt-4-turbo-preview, messages[ {role: system, content: 你是一个Python专家专注于编写高效、清晰的代码。}, {role: user, content: f优化以下Python函数使其更Pythonic且高效\npython\n{code_snippet}\n} ], temperature0.1 ) return response.choices[0].message.content if __name__ __main__: with open(demo_original.py, r) as f: original_code f.read() print( 使用 Claude 优化结果 ) claude_result refactor_with_claude(original_code) print(claude_result) print(\n 使用 OpenAI GPT-4 优化结果 ) openai_result refactor_with_openai(original_code) print(openai_result)运行与输出分析 执行python code_refactor.py你可能会得到类似下面的优化建议# 优化后的函数 def clean_data(data_list): 清洗数据列表移除None和空字符串并转换为大写。 参数: data_list: 包含任意数据的列表 返回: 清洗并转换后的字符串列表 return [ str(item).strip().upper() for item in data_list if item is not None and str(item).strip() ]优化说明列表推导式替代了显式的for循环和append代码更简洁、意图更清晰。条件合并将None检查和空字符串检查合并到推导式的if条件中逻辑更紧凑。添加文档字符串提高了代码的可读性和可维护性。关键技巧提供清晰上下文在提示词中明确角色代码审查员、任务优化和约束Pythonic。控制“温度”生成代码时使用较低的temperature(如0.1-0.3)以确保输出的确定性和可靠性。迭代优化可以将模型的输出作为输入再次提问例如“能否为这个函数添加类型注解”或“请为它编写一个单元测试”。3.2 Hermes Agent 与 OpenClaw构建会使用工具的智能体“Hermes Agent”在这里我们理解为一种能够自主规划并执行复杂任务的智能体架构。而“OpenClaw”则象征着为智能体赋予操作外部工具的能力。我们使用LangChain的ReAct框架和Tool机制来实现这一理念。实战创建一个能查询天气并总结的智能体这个智能体需要完成“查询北京今天的天气并用一句中文告诉我是否适合出门”的任务。它需要自主决定调用“天气查询工具”然后对结果进行推理和总结。# agent_weather.py import os from langchain.agents import AgentExecutor, create_react_agent from langchain.tools import Tool from langchain.prompts import PromptTemplate from langchain_openai import ChatOpenAI import requests from datetime import datetime # 1. 定义工具一个真实的天气查询函数 def get_weather(city: str) - str: 根据城市名查询实时天气。返回包含温度、天气状况和湿度的字符串。 # 这里使用一个模拟的天气API。实际项目中可替换为心知天气、和风天气等API。 # 模拟数据 mock_data { 北京: {temp: 22°C, condition: 晴朗, humidity: 45%}, 上海: {temp: 25°C, condition: 多云, humidity: 80%}, 广州: {temp: 30°C, condition: 雷阵雨, humidity: 90%}, } if city in mock_data: data mock_data[city] return f{city}的天气温度{data[temp]}{data[condition]}湿度{data[humidity]}。 else: return f未找到{city}的天气信息。 # 将函数封装成LangChain Tool weather_tool Tool( nameWeatherQuery, funcget_weather, description当需要查询某个城市的实时天气时使用此工具。输入应为城市名例如‘北京’。 ) # 2. 初始化大模型使用GPT-4因其规划能力更强 llm ChatOpenAI(modelgpt-4-turbo-preview, temperature0, api_keyos.getenv(OPENAI_API_KEY)) # 3. 创建ReAct智能体 # ReAct提示词模板鼓励模型“思考”并“行动” react_prompt PromptTemplate.from_template( 你是一个有帮助的助手可以调用工具来完成任务。 你可以使用的工具如下 {tools} 请严格按照以下格式回答 思考你需要先思考当前情况和你需要做什么 行动你要调用的工具名 行动输入调用该工具所需的输入 当你得到工具返回的观察结果后可以继续思考并行动直到你认为任务完成。 任务完成后你必须以“最终答案”开头给出最终回复。 开始 任务{input} {agent_scratchpad} ) # 创建智能体 agent create_react_agent(llm, tools[weather_tool], promptreact_prompt) # 4. 创建执行器 agent_executor AgentExecutor(agentagent, tools[weather_tool], verboseTrue, handle_parsing_errorsTrue) # 5. 执行任务 if __name__ __main__: result agent_executor.invoke({input: 查询北京今天的天气并用一句中文告诉我是否适合出门散步。}) print(\n *50) print(智能体最终回答, result[output])运行与输出分析 执行python agent_weather.py在verboseTrue模式下你会看到智能体的完整思考链 进入新的AgentExecutor链... 思考用户想了解北京的天气并判断是否适合出门散步。我需要先获取北京的天气信息。 行动WeatherQuery 行动输入北京 观察北京的天气温度22°C晴朗湿度45%。 思考现在我知道了天气情况22度晴朗湿度45%。这是一个非常宜人的天气温度适中阳光明媚湿度也不高。非常适合户外活动如散步。 最终答案北京今天天气晴朗22度湿度适中非常适合出门散步。 链结束。 智能体最终回答 北京今天天气晴朗22度湿度适中非常适合出门散步。核心要点工具Tool是智能体与外界交互的桥梁。定义工具时清晰的name和description至关重要这决定了智能体是否能正确选择它。ReAct模式通过“思考-行动-观察”的循环让智能体具备推理能力而不仅仅是调用工具。智能体执行器AgentExecutor负责管理整个循环处理解析错误直到任务完成。这就是“OpenClaw”的体现我们通过Tool机制让智能体拥有了查询天气的“爪子”。你可以依此扩展更多工具如“发送邮件”、“查询数据库”、“操作浏览器”从而构建出功能强大的自动化智能体。4. 完整实战案例构建一个本地知识库问答机器人现在我们将综合运用上述技能构建一个更复杂的应用一个基于本地文档的问答机器人。我们将使用LangChain进行文档处理与检索用Dify式的思路来设计应用流水线最终通过一个简单的FastAPI服务提供接口。项目目标上传一个PDF或TXT文档如公司制度、产品手册然后用户可以针对文档内容提问获得基于文档的准确回答。4.1 项目结构与环境准备local_knowledge_qa/ ├── app.py # FastAPI 主应用 ├── core/ │ ├── __init__.py │ ├── document_loader.py # 文档加载与处理 │ └── qa_chain.py # 问答链核心逻辑 ├── data/ # 存放上传的文档 ├── requirements.txt └── README.md安装额外依赖pip install pypdf langchain-chroma pydantic sentence-transformers fastapi uvicorn # 向量数据库我们使用轻量级的Chroma4.2 核心模块实现1. 文档加载与向量化模块 (core/document_loader.py)import os from langchain_community.document_loaders import PyPDFLoader, TextLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings from langchain_chroma import Chroma from langchain.schema import Document from typing import List class KnowledgeBase: def __init__(self, persist_directory: str ./chroma_db): self.persist_directory persist_directory # 使用OpenAI的嵌入模型也可替换为本地模型如 all-MiniLM-L6-v2 self.embeddings OpenAIEmbeddings(api_keyos.getenv(OPENAI_API_KEY)) self.text_splitter RecursiveCharacterTextSplitter( chunk_size1000, chunk_overlap200, length_functionlen, separators[\n\n, \n, 。, , , , , 、, ] ) self.vector_store None def load_document(self, file_path: str) - List[Document]: 加载单个文档 if file_path.endswith(.pdf): loader PyPDFLoader(file_path) elif file_path.endswith(.txt): loader TextLoader(file_path, encodingutf-8) else: raise ValueError(fUnsupported file type: {file_path}) documents loader.load() return documents def split_documents(self, documents: List[Document]) - List[Document]: 分割文档为小块 return self.text_splitter.split_documents(documents) def create_vector_store(self, documents: List[Document]): 创建或更新向量存储 chunks self.split_documents(documents) self.vector_store Chroma.from_documents( documentschunks, embeddingself.embeddings, persist_directoryself.persist_directory ) self.vector_store.persist() print(f向量知识库创建成功共处理 {len(chunks)} 个文本块。) return self.vector_store def load_existing_vector_store(self): 加载已存在的向量库 if os.path.exists(self.persist_directory): self.vector_store Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) print(已加载现有向量知识库。) return self.vector_store else: print(未找到现有向量知识库。) return None def similarity_search(self, query: str, k: int 4): 在知识库中搜索相关文本片段 if self.vector_store is None: self.vector_store self.load_existing_vector_store() if self.vector_store: return self.vector_store.similarity_search(query, kk) else: return []2. 问答链逻辑模块 (core/qa_chain.py)from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate from langchain_openai import ChatOpenAI from .document_loader import KnowledgeBase import os class QABot: def __init__(self, knowledge_base: KnowledgeBase): self.kb knowledge_base self.llm ChatOpenAI( modelgpt-3.5-turbo, # 或使用 gpt-4, claude-3-sonnet temperature0.1, api_keyos.getenv(OPENAI_API_KEY) ) self.qa_chain None def _create_prompt(self): 创建自定义提示词模板提高回答的准确性和相关性 template 请严格根据以下提供的上下文信息来回答问题。如果上下文信息中没有明确答案请直接说“根据提供的资料我无法回答这个问题”不要编造信息。 上下文 {context} 问题{question} 基于上下文的答案 return PromptTemplate(templatetemplate, input_variables[context, question]) def init_qa_chain(self): 初始化检索式问答链 if self.kb.vector_store is None: self.kb.load_existing_vector_store() if self.kb.vector_store: retriever self.kb.vector_store.as_retriever( search_typesimilarity, search_kwargs{k: 3} # 检索最相关的3个片段 ) prompt self._create_prompt() self.qa_chain RetrievalQA.from_chain_type( llmself.llm, chain_typestuff, # 将检索到的文档“塞”进上下文 retrieverretriever, chain_type_kwargs{prompt: prompt}, return_source_documentsTrue # 返回参考来源 ) print(问答链初始化成功。) else: raise ValueError(知识库未初始化请先导入文档。) def ask(self, question: str): 提问并获取答案 if self.qa_chain is None: self.init_qa_chain() result self.qa_chain.invoke({query: question}) return { answer: result[result], source_documents: result.get(source_documents, []) }3. FastAPI 主应用 (app.py)from fastapi import FastAPI, File, UploadFile, HTTPException from fastapi.responses import JSONResponse import shutil import os from core.document_loader import KnowledgeBase from core.qa_chain import QABot from pydantic import BaseModel app FastAPI(title本地知识库问答机器人 API) # 初始化全局知识库和机器人 KB_DIR ./data VECTOR_DB_DIR ./chroma_db os.makedirs(KB_DIR, exist_okTrue) knowledge_base KnowledgeBase(persist_directoryVECTOR_DB_DIR) qa_bot QABot(knowledge_base) class QuestionRequest(BaseModel): question: str app.post(/upload/) async def upload_document(file: UploadFile File(...)): 上传文档并重建知识库 if not file.filename.endswith((.pdf, .txt)): raise HTTPException(status_code400, detail仅支持 PDF 或 TXT 文件) file_path os.path.join(KB_DIR, file.filename) with open(file_path, wb) as buffer: shutil.copyfileobj(file.file, buffer) try: documents knowledge_base.load_document(file_path) knowledge_base.create_vector_store(documents) # 重新初始化QA链 qa_bot.init_qa_chain() return JSONResponse(content{message: f文档 {file.filename} 上传成功知识库已更新。}) except Exception as e: raise HTTPException(status_code500, detailf处理文档时出错{str(e)}) app.post(/ask/) async def ask_question(req: QuestionRequest): 向知识库提问 if qa_bot.qa_chain is None: # 尝试加载现有知识库 knowledge_base.load_existing_vector_store() if knowledge_base.vector_store is None: raise HTTPException(status_code400, detail请先上传文档以初始化知识库。) qa_bot.init_qa_chain() try: result qa_bot.ask(req.question) # 简化返回的文档内容 sources [{page_content: doc.page_content[:200] ..., metadata: doc.metadata} for doc in result[source_documents]] return JSONResponse(content{ answer: result[answer], sources: sources }) except Exception as e: raise HTTPException(status_code500, detailf回答问题过程中出错{str(e)}) app.get(/health) async def health_check(): return {status: ok, message: 问答机器人服务运行正常。} if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)4.3 运行与验证启动服务cd local_knowledge_qa export OPENAI_API_KEYyour-openai-key python app.py服务将在http://localhost:8000启动。上传文档 使用curl或Postman调用上传接口。curl -X POST http://localhost:8000/upload/ \ -H accept: application/json \ -H Content-Type: multipart/form-data \ -F file/path/to/your/product_manual.pdf返回成功消息。进行问答curl -X POST http://localhost:8000/ask/ \ -H accept: application/json \ -H Content-Type: application/json \ -d {question: 我们产品的保修期是多久}你将得到基于文档的答案并附上答案来源的文本片段。4.4 项目总结这个实战项目融合了多个核心技能文档处理使用LangChain的DocumentLoader和TextSplitter这是构建知识库应用的基础。向量检索使用Chroma和OpenAI Embeddings实现语义搜索这是让大模型“记住”长文本的关键。提示工程在_create_prompt方法中我们设计了严格的提示词要求模型“基于上下文回答”有效减少了幻觉Hallucination。应用编排整个RetrievalQA链就是一个简单的“智能体”或“工作流”它自动完成了“检索相关文档 - 组合上下文 - 调用LLM生成答案”的流程。这正是Dify或Coze这类平台在背后做的事情。API服务化通过FastAPI将能力封装成HTTP接口便于集成到其他系统。5. 常见问题与排查思路在学习和应用上述技能时你一定会遇到各种问题。下面是一个快速排查指南。问题现象可能原因排查步骤与解决方案API调用失败提示认证错误1. API Key未设置或错误。2. 环境变量未生效。3. 账户余额不足或请求超频。1. 检查os.getenv(“API_KEY_NAME”)是否返回正确值。2. 在终端中执行echo $API_KEY_NAME(Linux/macOS) 或echo %API_KEY_NAME%(Windows) 验证。3. 登录对应平台控制台检查余额和用量限制。LangChain智能体不调用工具1. 工具描述 (description) 不清晰模型无法理解何时使用。2. 提示词 (prompt) 未正确引导模型使用工具。3. 模型能力不足如使用gpt-3.5-turbo进行复杂规划。1. 优化工具描述确保其准确、简洁并与用户问题关联。2. 使用标准的ReAct提示词模板并确保{tools}和{agent_scratchpad}占位符正确。3. 对于复杂任务升级到gpt-4-turbo或claude-3-opus。向量知识库检索结果不相关1. 文本分割 (chunk_size) 不合理导致语义碎片化。2. 嵌入模型 (Embeddings) 不适合中文或特定领域。3. 检索数量 (k) 设置不当。1. 调整chunk_size(如500-1500) 和chunk_overlap(如100-200)。对于中文可尝试按句号分割。2. 尝试不同的嵌入模型如text-embedding-3-small、bge-large-zh等。3. 调整k值太小可能遗漏信息太大可能引入噪音。问答答案出现“幻觉”胡编乱造1. 提示词未强制模型基于上下文回答。2. 检索到的上下文本身不包含答案。3. 模型“温度” (temperature) 设置过高。1. 在提示词中加入强硬指令如“必须根据以下上下文回答如果上下文没有就说不知道”。2. 检查检索到的源文档优化检索策略见上一条。3. 将temperature设为 0 或接近 0 的值以提高确定性。使用Dify/Coze等平台感觉被“框住”平台提供了便捷的拖拽界面但自定义复杂逻辑或接入私有模型困难。1. 理解平台提供的“自定义工具”、“API连接器”、“代码块”等高级功能。2. 明确需求如果是快速验证想法或面向业务人员平台是优选如果需要深度定制、私有化部署或复杂逻辑则基于LangChain等框架自研更合适。两者技能是互补的。6. 最佳实践与工程建议掌握工具是第一步用好它们则需要工程化的思维。以下建议能帮助你将项目从“玩具”升级为“产品”。1. 提示词工程标准化角色与指令分离在系统提示词 (system prompt) 中定义AI的角色、能力和边界在用户提示词中给出具体任务。结构化输出要求模型以JSON、XML或特定标记格式输出便于后续程序化处理。例如“请以JSON格式输出包含‘summary’和‘keywords’两个字段。”少样本学习在提示词中提供1-2个高质量的输入输出示例能极大提升模型在复杂任务上的表现。版本化管理将重要的提示词保存在代码库或配置文件中如prompts.yaml而不是硬编码在代码里。2. 智能体设计原则单一职责一个工具最好只做一件事。一个智能体也应聚焦一个核心目标复杂流程通过多个智能体协作完成如CrewAI框架的理念。人机回环对于关键操作如发送邮件、删除数据设计审批步骤或让智能体主动询问确认避免自动化风险。状态管理与记忆对于长对话或多轮任务需要为智能体设计记忆机制。LangChain提供了ConversationBufferMemory、ConversationSummaryMemory等组件。优雅降级当工具调用失败或模型无法理解时应有备选方案例如将任务转给人类处理或返回一个友好的错误信息。3. 生产环境部署考量密钥安全管理绝对不要将API密钥硬编码在代码中。使用环境变量、密钥管理服务如AWS Secrets Manager、HashiCorp Vault或平台提供的安全配置。限流与重试对API调用实施限流 (rate limiting) 和指数退避重试策略以应对服务不稳定。日志与监控详细记录智能体的思考过程、工具调用和最终结果。这不仅是调试的需要也是理解模型行为、优化提示词的关键。成本控制监控Token消耗对长上下文、高频调用设置预算警报。考虑对非实时任务使用更便宜的模型或对回答进行缓存。4. 技能融合与选型建议Claude Code vs. Codex对于需要深度推理、严格遵守指令的代码任务如重构、解释Claude 3系列表现更稳定。对于需要创造性、发散性代码生成如生成新算法草稿GPT-4可能更有想象力。最佳实践是两者都尝试根据任务选择。自建 vs. 使用平台选择Dify/Coze等平台当你需要极速原型验证、与非技术同事协作、或者构建相对标准的聊天机器人、知识库应用时。它们能省去大量工程细节。选择LangChain/AutoGen自研当你需要深度定制工作流、集成私有或特定模型、处理极端复杂逻辑、或对性能和成本有极致要求时。这需要更强的工程能力但灵活度最高。通往2026年AI大模型开发岗位的道路正从单纯的研究模型转向驾驭一整套工程化工具链。这条技能栈的核心思想是用Claude Code/Codex提升你作为开发者的个体效率用Hermes Agent/OpenClaw的思想构建能够自动完成复杂任务的智能体最后用Dify/Coze的理念将你的能力产品化、平民化快速响应业务需求。建议的学习路径是先从代码助手和低代码平台入手感受AI能力的边界和易用性然后深入LangChain 等框架理解智能体、链、工具调用的原理最后尝试将两者结合独立完成一个像本地知识库问答机器人这样的综合项目。在这个过程中不断思考如何设计提示词、如何管理上下文、如何保证系统的稳定和安全这些工程化思维才是你真正的核心竞争力。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度1. 背景与核心概念为什么AI大模型开发技能成为2026年求职硬通货如果你正在关注2026年的技术招聘市场会发现一个明显的趋势传统的“会调API”已经不够看了。企业需要的是能够将大模型能力真正落地、构建出稳定、可控、可扩展的智能应用的“AI应用工程师”。这背后是一套全新的技术栈和工作流。本文要探讨的正是这套由Claude Code、Codex、Hermes Agent、OpenClaw、Dify、Coze、Skill等工具和概念构成的“新基建”。简单来说这不再是关于“哪个模型最强”的争论而是关于“如何最高效地将模型能力转化为生产力”的工程实践。我们可以将这套技能栈分为三个层次代码生成与理解层Claude Code / Codex这是基础生产力工具。它们不再是简单的代码补全而是能理解复杂需求、重构旧代码、编写测试、甚至解释代码逻辑的“结对编程伙伴”。掌握它们意味着你的编码效率将发生质变。智能体Agent框架与工具调用层Hermes Agent / OpenClaw这是实现复杂任务自动化的核心。智能体Agent可以理解目标、规划步骤、调用工具如搜索、计算、操作软件并执行。Hermes Agent代表了高效的任务规划与执行框架而OpenClaw这类工具则专注于为智能体提供“手和脚”使其能操作外部系统如浏览器、数据库、API。这是构建自动化工作流和复杂AI应用的关键。低代码/无代码应用构建平台层Dify / Coze / Skill这是快速原型开发和业务人员协作的桥梁。Dify、Coze等平台允许你通过可视化方式串联提示词、模型、知识库、工具链快速构建一个可交付的AI应用。而“Skill”则是在这些平台上封装好的、可复用的能力模块。为什么说这套技能“一套全搞定”因为它覆盖了从底层代码开发Claude Code、到中层智能逻辑编排Hermes Agent、再到上层应用快速搭建Dify的完整链路。无论是想深入研发AI Agent框架还是想快速为业务部门打造一个智能客服机器人这套技能栈都能为你提供合适的工具和思路。接下来我们将从环境准备开始一步步拆解如何掌握这些“2026年必备技能”。2. 环境准备与版本说明在开始实战之前我们需要搭建一个统一且可复现的本地开发环境。由于涉及的工具链较多我们以Python为核心采用虚拟环境进行隔离确保依赖清晰。核心环境操作系统macOS / Linux (推荐Ubuntu 22.04) 或 Windows 10/11 (WSL2环境下)。Python版本 3.9 - 3.11。这是大多数相关库兼容性最好的范围。本文示例使用 Python 3.10。包管理使用pip和venv创建虚拟环境。IDE/编辑器VS Code强烈推荐并安装 Python、Jupyter 等扩展。其内置的 Copilot 也能与我们将要使用的工具形成互补。API Keys你需要准备以下服务的API密钥部分有免费额度OpenAI API Key(用于 Codex 及后续的模型调用)Anthropic API Key(用于 Claude 系列模型包括 Claude Code)其他平台如 Dify、Coze 通常在其云平台上注册即可获得。版本说明与依赖管理AI领域迭代极快以下版本为撰写时的常见选择实际使用时请务必查阅官方最新文档。# 1. 创建并激活虚拟环境 python3.10 -m venv ai_agent_env source ai_agent_env/bin/activate # Linux/macOS # ai_agent_env\Scripts\activate # Windows # 2. 升级pip pip install --upgrade pip # 3. 安装核心依赖 # 用于HTTP请求和API调用 pip install openai anthropic # 用于智能体开发以LangChain为例它是事实上的标准之一 pip install langchain langchain-openai langchain-anthropic langchain-community # 用于工具调用例如网页抓取、命令行交互 pip install playwright beautifulsoup4 requests # 用于开发Web应用或API配合Dify等平台 pip install fastapi uvicorn重要提示Hermes Agent和OpenClaw可能指代特定的开源项目或研究框架。在实践时它们的概念通常通过LangChain、AutoGen或CrewAI等成熟框架来实现。本文将以LangChain为核心来演示“Hermes Agent”式的任务规划和工具调用能力。OpenClaw所代表的“工具调用”能力我们将通过LangChain Tools和Playwright来实现。3. 核心技能拆解从代码生成到智能体构建3.1 Claude Code 与 Codex你的超级编程助手Claude Code(通常指 Claude 3 系列的代码模型如 Claude 3 Sonnet/Opus) 和Codex(GPT-3.5/4 的代码版本) 不再是玩具。它们能理解上下文、进行代码重构、编写文档和测试。关键不在于“问它怎么写Hello World”而在于如何将它集成到你的开发流中。实战使用API进行代码审查与重构假设我们有一段效率较低的Python数据清洗函数让我们用Claude和Codex来优化它。# 原始代码demo_original.py def clean_data(data_list): result [] for item in data_list: if item is not None: temp str(item).strip() if temp ! : result.append(temp.upper()) return result # 调用Claude/Codex API进行优化的脚本code_refactor.py import anthropic import openai import os # 请将你的API Key设置在环境变量中如 ANTHROPIC_API_KEY, OPENAI_API_KEY # export ANTHROPIC_API_KEYyour_key_here def refactor_with_claude(code_snippet): client anthropic.Anthropic(api_keyos.getenv(ANTHROPIC_API_KEY)) prompt f请扮演一个资深的Python代码审查员。请分析以下Python函数指出其可读性和性能上的问题并提供一个重构后的优化版本。优化时请考虑使用Pythonic的写法如列表推导式、filter/map等。 原函数 python {code_snippet} 请直接输出重构后的Python代码并附上简要的优化说明。 message client.messages.create( modelclaude-3-sonnet-20240229, max_tokens1000, temperature0.1, # 低温度保证代码稳定性 messages[{role: user, content: prompt}] ) return message.content[0].text def refactor_with_openai(code_snippet): client openai.OpenAI(api_keyos.getenv(OPENAI_API_KEY)) response client.chat.completions.create( modelgpt-4-turbo-preview, messages[ {role: system, content: 你是一个Python专家专注于编写高效、清晰的代码。}, {role: user, content: f优化以下Python函数使其更Pythonic且高效\npython\n{code_snippet}\n} ], temperature0.1 ) return response.choices[0].message.content if __name__ __main__: with open(demo_original.py, r) as f: original_code f.read() print( 使用 Claude 优化结果 ) claude_result refactor_with_claude(original_code) print(claude_result) print(\n 使用 OpenAI GPT-4 优化结果 ) openai_result refactor_with_openai(original_code) print(openai_result)运行与输出分析 执行python code_refactor.py你可能会得到类似下面的优化建议# 优化后的函数 def clean_data(data_list): 清洗数据列表移除None和空字符串并转换为大写。 参数: data_list: 包含任意数据的列表 返回: 清洗并转换后的字符串列表 return [ str(item).strip().upper() for item in data_list if item is not None and str(item).strip() ]优化说明列表推导式替代了显式的for循环和append代码更简洁、意图更清晰。条件合并将None检查和空字符串检查合并到推导式的if条件中逻辑更紧凑。添加文档字符串提高了代码的可读性和可维护性。关键技巧提供清晰上下文在提示词中明确角色代码审查员、任务优化和约束Pythonic。控制“温度”生成代码时使用较低的temperature(如0.1-0.3)以确保输出的确定性和可靠性。迭代优化可以将模型的输出作为输入再次提问例如“能否为这个函数添加类型注解”或“请为它编写一个单元测试”。3.2 Hermes Agent 与 OpenClaw构建会使用工具的智能体“Hermes Agent”在这里我们理解为一种能够自主规划并执行复杂任务的智能体架构。而“OpenClaw”则象征着为智能体赋予操作外部工具的能力。我们使用LangChain的ReAct框架和Tool机制来实现这一理念。实战创建一个能查询天气并总结的智能体这个智能体需要完成“查询北京今天的天气并用一句中文告诉我是否适合出门”的任务。它需要自主决定调用“天气查询工具”然后对结果进行推理和总结。# agent_weather.py import os from langchain.agents import AgentExecutor, create_react_agent from langchain.tools import Tool from langchain.prompts import PromptTemplate from langchain_openai import ChatOpenAI import requests from datetime import datetime # 1. 定义工具一个真实的天气查询函数 def get_weather(city: str) - str: 根据城市名查询实时天气。返回包含温度、天气状况和湿度的字符串。 # 这里使用一个模拟的天气API。实际项目中可替换为心知天气、和风天气等API。 # 模拟数据 mock_data { 北京: {temp: 22°C, condition: 晴朗, humidity: 45%}, 上海: {temp: 25°C, condition: 多云, humidity: 80%}, 广州: {temp: 30°C, condition: 雷阵雨, humidity: 90%}, } if city in mock_data: data mock_data[city] return f{city}的天气温度{data[temp]}{data[condition]}湿度{data[humidity]}。 else: return f未找到{city}的天气信息。 # 将函数封装成LangChain Tool weather_tool Tool( nameWeatherQuery, funcget_weather, description当需要查询某个城市的实时天气时使用此工具。输入应为城市名例如‘北京’。 ) # 2. 初始化大模型使用GPT-4因其规划能力更强 llm ChatOpenAI(modelgpt-4-turbo-preview, temperature0, api_keyos.getenv(OPENAI_API_KEY)) # 3. 创建ReAct智能体 # ReAct提示词模板鼓励模型“思考”并“行动” react_prompt PromptTemplate.from_template( 你是一个有帮助的助手可以调用工具来完成任务。 你可以使用的工具如下 {tools} 请严格按照以下格式回答 思考你需要先思考当前情况和你需要做什么 行动你要调用的工具名 行动输入调用该工具所需的输入 当你得到工具返回的观察结果后可以继续思考并行动直到你认为任务完成。 任务完成后你必须以“最终答案”开头给出最终回复。 开始 任务{input} {agent_scratchpad} ) # 创建智能体 agent create_react_agent(llm, tools[weather_tool], promptreact_prompt) # 4. 创建执行器 agent_executor AgentExecutor(agentagent, tools[weather_tool], verboseTrue, handle_parsing_errorsTrue) # 5. 执行任务 if __name__ __main__: result agent_executor.invoke({input: 查询北京今天的天气并用一句中文告诉我是否适合出门散步。}) print(\n *50) print(智能体最终回答, result[output])运行与输出分析 执行python agent_weather.py在verboseTrue模式下你会看到智能体的完整思考链 进入新的AgentExecutor链... 思考用户想了解北京的天气并判断是否适合出门散步。我需要先获取北京的天气信息。 行动WeatherQuery 行动输入北京 观察北京的天气温度22°C晴朗湿度45%。 思考现在我知道了天气情况22度晴朗湿度45%。这是一个非常宜人的天气温度适中阳光明媚湿度也不高。非常适合户外活动如散步。 最终答案北京今天天气晴朗22度湿度适中非常适合出门散步。 链结束。 智能体最终回答 北京今天天气晴朗22度湿度适中非常适合出门散步。核心要点工具Tool是智能体与外界交互的桥梁。定义工具时清晰的name和description至关重要这决定了智能体是否能正确选择它。ReAct模式通过“思考-行动-观察”的循环让智能体具备推理能力而不仅仅是调用工具。智能体执行器AgentExecutor负责管理整个循环处理解析错误直到任务完成。这就是“OpenClaw”的体现我们通过Tool机制让智能体拥有了查询天气的“爪子”。你可以依此扩展更多工具如“发送邮件”、“查询数据库”、“操作浏览器”从而构建出功能强大的自动化智能体。4. 完整实战案例构建一个本地知识库问答机器人现在我们将综合运用上述技能构建一个更复杂的应用一个基于本地文档的问答机器人。我们将使用LangChain进行文档处理与检索用Dify式的思路来设计应用流水线最终通过一个简单的FastAPI服务提供接口。项目目标上传一个PDF或TXT文档如公司制度、产品手册然后用户可以针对文档内容提问获得基于文档的准确回答。4.1 项目结构与环境准备local_knowledge_qa/ ├── app.py # FastAPI 主应用 ├── core/ │ ├── __init__.py │ ├── document_loader.py # 文档加载与处理 │ └── qa_chain.py # 问答链核心逻辑 ├── data/ # 存放上传的文档 ├── requirements.txt └── README.md安装额外依赖pip install pypdf langchain-chroma pydantic sentence-transformers fastapi uvicorn # 向量数据库我们使用轻量级的Chroma4.2 核心模块实现1. 文档加载与向量化模块 (core/document_loader.py)import os from langchain_community.document_loaders import PyPDFLoader, TextLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings from langchain_chroma import Chroma from langchain.schema import Document from typing import List class KnowledgeBase: def __init__(self, persist_directory: str ./chroma_db): self.persist_directory persist_directory # 使用OpenAI的嵌入模型也可替换为本地模型如 all-MiniLM-L6-v2 self.embeddings OpenAIEmbeddings(api_keyos.getenv(OPENAI_API_KEY)) self.text_splitter RecursiveCharacterTextSplitter( chunk_size1000, chunk_overlap200, length_functionlen, separators[\n\n, \n, 。, , , , , 、, ] ) self.vector_store None def load_document(self, file_path: str) - List[Document]: 加载单个文档 if file_path.endswith(.pdf): loader PyPDFLoader(file_path) elif file_path.endswith(.txt): loader TextLoader(file_path, encodingutf-8) else: raise ValueError(fUnsupported file type: {file_path}) documents loader.load() return documents def split_documents(self, documents: List[Document]) - List[Document]: 分割文档为小块 return self.text_splitter.split_documents(documents) def create_vector_store(self, documents: List[Document]): 创建或更新向量存储 chunks self.split_documents(documents) self.vector_store Chroma.from_documents( documentschunks, embeddingself.embeddings, persist_directoryself.persist_directory ) self.vector_store.persist() print(f向量知识库创建成功共处理 {len(chunks)} 个文本块。) return self.vector_store def load_existing_vector_store(self): 加载已存在的向量库 if os.path.exists(self.persist_directory): self.vector_store Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) print(已加载现有向量知识库。) return self.vector_store else: print(未找到现有向量知识库。) return None def similarity_search(self, query: str, k: int 4): 在知识库中搜索相关文本片段 if self.vector_store is None: self.vector_store self.load_existing_vector_store() if self.vector_store: return self.vector_store.similarity_search(query, kk) else: return []2. 问答链逻辑模块 (core/qa_chain.py)from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate from langchain_openai import ChatOpenAI from .document_loader import KnowledgeBase import os class QABot: def __init__(self, knowledge_base: KnowledgeBase): self.kb knowledge_base self.llm ChatOpenAI( modelgpt-3.5-turbo, # 或使用 gpt-4, claude-3-sonnet temperature0.1, api_keyos.getenv(OPENAI_API_KEY) ) self.qa_chain None def _create_prompt(self): 创建自定义提示词模板提高回答的准确性和相关性 template 请严格根据以下提供的上下文信息来回答问题。如果上下文信息中没有明确答案请直接说“根据提供的资料我无法回答这个问题”不要编造信息。 上下文 {context} 问题{question} 基于上下文的答案 return PromptTemplate(templatetemplate, input_variables[context, question]) def init_qa_chain(self): 初始化检索式问答链 if self.kb.vector_store is None: self.kb.load_existing_vector_store() if self.kb.vector_store: retriever self.kb.vector_store.as_retriever( search_typesimilarity, search_kwargs{k: 3} # 检索最相关的3个片段 ) prompt self._create_prompt() self.qa_chain RetrievalQA.from_chain_type( llmself.llm, chain_typestuff, # 将检索到的文档“塞”进上下文 retrieverretriever, chain_type_kwargs{prompt: prompt}, return_source_documentsTrue # 返回参考来源 ) print(问答链初始化成功。) else: raise ValueError(知识库未初始化请先导入文档。) def ask(self, question: str): 提问并获取答案 if self.qa_chain is None: self.init_qa_chain() result self.qa_chain.invoke({query: question}) return { answer: result[result], source_documents: result.get(source_documents, []) }3. FastAPI 主应用 (app.py)from fastapi import FastAPI, File, UploadFile, HTTPException from fastapi.responses import JSONResponse import shutil import os from core.document_loader import KnowledgeBase from core.qa_chain import QABot from pydantic import BaseModel app FastAPI(title本地知识库问答机器人 API) # 初始化全局知识库和机器人 KB_DIR ./data VECTOR_DB_DIR ./chroma_db os.makedirs(KB_DIR, exist_okTrue) knowledge_base KnowledgeBase(persist_directoryVECTOR_DB_DIR) qa_bot QABot(knowledge_base) class QuestionRequest(BaseModel): question: str app.post(/upload/) async def upload_document(file: UploadFile File(...)): 上传文档并重建知识库 if not file.filename.endswith((.pdf, .txt)): raise HTTPException(status_code400, detail仅支持 PDF 或 TXT 文件) file_path os.path.join(KB_DIR, file.filename) with open(file_path, wb) as buffer: shutil.copyfileobj(file.file, buffer) try: documents knowledge_base.load_document(file_path) knowledge_base.create_vector_store(documents) # 重新初始化QA链 qa_bot.init_qa_chain() return JSONResponse(content{message: f文档 {file.filename} 上传成功知识库已更新。}) except Exception as e: raise HTTPException(status_code500, detailf处理文档时出错{str(e)}) app.post(/ask/) async def ask_question(req: QuestionRequest): 向知识库提问 if qa_bot.qa_chain is None: # 尝试加载现有知识库 knowledge_base.load_existing_vector_store() if knowledge_base.vector_store is None: raise HTTPException(status_code400, detail请先上传文档以初始化知识库。) qa_bot.init_qa_chain() try: result qa_bot.ask(req.question) # 简化返回的文档内容 sources [{page_content: doc.page_content[:200] ..., metadata: doc.metadata} for doc in result[source_documents]] return JSONResponse(content{ answer: result[answer], sources: sources }) except Exception as e: raise HTTPException(status_code500, detailf回答问题过程中出错{str(e)}) app.get(/health) async def health_check(): return {status: ok, message: 问答机器人服务运行正常。} if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)4.3 运行与验证启动服务cd local_knowledge_qa export OPENAI_API_KEYyour-openai-key python app.py服务将在http://localhost:8000启动。上传文档 使用curl或Postman调用上传接口。curl -X POST http://localhost:8000/upload/ \ -H accept: application/json \ -H Content-Type: multipart/form-data \ -F file/path/to/your/product_manual.pdf返回成功消息。进行问答curl -X POST http://localhost:8000/ask/ \ -H accept: application/json \ -H Content-Type: application/json \ -d {question: 我们产品的保修期是多久}你将得到基于文档的答案并附上答案来源的文本片段。4.4 项目总结这个实战项目融合了多个核心技能文档处理使用LangChain的DocumentLoader和TextSplitter这是构建知识库应用的基础。向量检索使用Chroma和OpenAI Embeddings实现语义搜索这是让大模型“记住”长文本的关键。提示工程在_create_prompt方法中我们设计了严格的提示词要求模型“基于上下文回答”有效减少了幻觉Hallucination。应用编排整个RetrievalQA链就是一个简单的“智能体”或“工作流”它自动完成了“检索相关文档 - 组合上下文 - 调用LLM生成答案”的流程。这正是Dify或Coze这类平台在背后做的事情。API服务化通过FastAPI将能力封装成HTTP接口便于集成到其他系统。5. 常见问题与排查思路在学习和应用上述技能时你一定会遇到各种问题。下面是一个快速排查指南。问题现象可能原因排查步骤与解决方案API调用失败提示认证错误1. API Key未设置或错误。2. 环境变量未生效。3. 账户余额不足或请求超频。1. 检查os.getenv(“API_KEY_NAME”)是否返回正确值。2. 在终端中执行echo $API_KEY_NAME(Linux/macOS) 或echo %API_KEY_NAME%(Windows) 验证。3. 登录对应平台控制台检查余额和用量限制。LangChain智能体不调用工具1. 工具描述 (description) 不清晰模型无法理解何时使用。2. 提示词 (prompt) 未正确引导模型使用工具。3. 模型能力不足如使用gpt-3.5-turbo进行复杂规划。1. 优化工具描述确保其准确、简洁并与用户问题关联。2. 使用标准的ReAct提示词模板并确保{tools}和{agent_scratchpad}占位符正确。3. 对于复杂任务升级到gpt-4-turbo或claude-3-opus。向量知识库检索结果不相关1. 文本分割 (chunk_size) 不合理导致语义碎片化。2. 嵌入模型 (Embeddings) 不适合中文或特定领域。3. 检索数量 (k) 设置不当。1. 调整chunk_size(如500-1500) 和chunk_overlap(如100-200)。对于中文可尝试按句号分割。2. 尝试不同的嵌入模型如text-embedding-3-small、bge-large-zh等。3. 调整k值太小可能遗漏信息太大可能引入噪音。问答答案出现“幻觉”胡编乱造1. 提示词未强制模型基于上下文回答。2. 检索到的上下文本身不包含答案。3. 模型“温度” (temperature) 设置过高。1. 在提示词中加入强硬指令如“必须根据以下上下文回答如果上下文没有就说不知道”。2. 检查检索到的源文档优化检索策略见上一条。3. 将temperature设为 0 或接近 0 的值以提高确定性。使用Dify/Coze等平台感觉被“框住”平台提供了便捷的拖拽界面但自定义复杂逻辑或接入私有模型困难。1. 理解平台提供的“自定义工具”、“API连接器”、“代码块”等高级功能。2. 明确需求如果是快速验证想法或面向业务人员平台是优选如果需要深度定制、私有化部署或复杂逻辑则基于LangChain等框架自研更合适。两者技能是互补的。6. 最佳实践与工程建议掌握工具是第一步用好它们则需要工程化的思维。以下建议能帮助你将项目从“玩具”升级为“产品”。1. 提示词工程标准化角色与指令分离在系统提示词 (system prompt) 中定义AI的角色、能力和边界在用户提示词中给出具体任务。结构化输出要求模型以JSON、XML或特定标记格式输出便于后续程序化处理。例如“请以JSON格式输出包含‘summary’和‘keywords’两个字段。”少样本学习在提示词中提供1-2个高质量的输入输出示例能极大提升模型在复杂任务上的表现。版本化管理将重要的提示词保存在代码库或配置文件中如prompts.yaml而不是硬编码在代码里。2. 智能体设计原则单一职责一个工具最好只做一件事。一个智能体也应聚焦一个核心目标复杂流程通过多个智能体协作完成如CrewAI框架的理念。人机回环对于关键操作如发送邮件、删除数据设计审批步骤或让智能体主动询问确认避免自动化风险。状态管理与记忆对于长对话或多轮任务需要为智能体设计记忆机制。LangChain提供了ConversationBufferMemory、ConversationSummaryMemory等组件。优雅降级当工具调用失败或模型无法理解时应有备选方案例如将任务转给人类处理或返回一个友好的错误信息。3. 生产环境部署考量密钥安全管理绝对不要将API密钥硬编码在代码中。使用环境变量、密钥管理服务如AWS Secrets Manager、HashiCorp Vault或平台提供的安全配置。限流与重试对API调用实施限流 (rate limiting) 和指数退避重试策略以应对服务不稳定。日志与监控详细记录智能体的思考过程、工具调用和最终结果。这不仅是调试的需要也是理解模型行为、优化提示词的关键。成本控制监控Token消耗对长上下文、高频调用设置预算警报。考虑对非实时任务使用更便宜的模型或对回答进行缓存。4. 技能融合与选型建议Claude Code vs. Codex对于需要深度推理、严格遵守指令的代码任务如重构、解释Claude 3系列表现更稳定。对于需要创造性、发散性代码生成如生成新算法草稿GPT-4可能更有想象力。最佳实践是两者都尝试根据任务选择。自建 vs. 使用平台选择Dify/Coze等平台当你需要极速原型验证、与非技术同事协作、或者构建相对标准的聊天机器人、知识库应用时。它们能省去大量工程细节。选择LangChain/AutoGen自研当你需要深度定制工作流、集成私有或特定模型、处理极端复杂逻辑、或对性能和成本有极致要求时。这需要更强的工程能力但灵活度最高。通往2026年AI大模型开发岗位的道路正从单纯的研究模型转向驾驭一整套工程化工具链。这条技能栈的核心思想是用Claude Code/Codex提升你作为开发者的个体效率用Hermes Agent/OpenClaw的思想构建能够自动完成复杂任务的智能体最后用Dify/Coze的理念将你的能力产品化、平民化快速响应业务需求。建议的学习路径是先从代码助手和低代码平台入手感受AI能力的边界和易用性然后深入LangChain 等框架理解智能体、链、工具调用的原理最后尝试将两者结合独立完成一个像本地知识库问答机器人这样的综合项目。在这个过程中不断思考如何设计提示词、如何管理上下文、如何保证系统的稳定和安全这些工程化思维才是你真正的核心竞争力。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
