前言最近在AI編程助手領域,??ClaudeCode???的??Skills???插件能力引起了很多開發者的關注。相比傳統AI編程工具,??ClaudeCode???通過插件化的??Skills???系統,能夠輕松實現對??Excel???、??PDF???等文檔格式的深度讀取和分析。本文將通過一個實際案例——構建"面試輔助助手Agent",展示如何利用??ClaudeCode??實現文檔自動化處理,讓AI真正成為我們工作中的得力幫手。目標本文的目標是:利用??...

引言??ClaudeCode???作為Anthropic推出的官方CLI工具，近期推出了??Skills???功能，讓開發者能夠創建自定義的自動化任務。本文將分享如何利用??Skills???功能實現一個自動生成周報的實用工具，通過分析??Git??提交記錄來總結每周工作內容。Skill功能簡介??Skills???是??ClaudeCode???的一項核心功能，允許開發者創建自定義的自動化任務。與傳統的腳本不同，??Skills??能夠：智能識別：自動匹...

前言最近參加了CSDN舉辦的《2025全球機器學習技術大會》，大會中很多會議議題都與??VibeCoding???有關，同時近期圍繞??Cursor???、??ClaudeCode??等AI編程工具的話題也比較火熱。因此，本篇內容將以一個項目改造實戰為例，介紹??ClaudeCode??的實踐過程。問題通過大會以及近期項目中的交流，AI編程在企業難以落地的問題主要有以下幾個：1.垂類的業務不了解。對于一些比較垂直的領域(比如內部??CRM??系統...

前言由于??ClaudeCode??上可以配置相關的MCP工具，這將大大方便我們的開發工作，本章將分享兩個常用的mcp開發工具以及相關的提示詞。使用技巧技巧1：使用context7查詢最新API文檔通過在ClaudeCode中配置context7的mcp工具，可以讓ClaudeCode在使用過程中，自動查詢最新API文檔，從而加速開發工作。1.1注冊申請context7的APIKEY訪問https:www.context7.com點擊注冊，注冊一個賬號注冊成功后，在個人中心>APIKEY中，獲取APIKE...

前言由于??claudecode???上配置使用??DeepseekV3.1???模型可以較大幅度地提升AI編程能力，本章分享??claudecode???配置??Deepseek??模型的方法。環境搭建1.1安裝node.js訪問https:nodejs.orgendownload按照官網提示，選擇對應的操作系統安裝node.js即可Mac系統Mac下通過以下命令行安裝Downloadandinstallnvm:curlohttps:raw.githubusercontent.comnvmshnvmv0.40.3install.shbashinlieuofrestartingtheshell\...

前言由于近日以??cursor???、??claudecode???為代表的vibing編程模型逐漸流行，本章將分享介紹近期工作中借助??claudecode+KimiK2??模型開發dify插件的實踐過程。文章概要本文主要包含兩個部分：1、環境搭建：claudecode+KimiK2開發環境的配置2、插件開發：使用claudecode+KimiK2開發dify插件1.開發環境準備1.1安裝node.js訪問https:nodejs.orgendownload按照官網提示，安裝node.js即可1.2安裝claudecode確認node...

背景隨著我們在Dify平臺上不斷開發新的Agent，我們需要對Agent的能力是否滿足預期進行評估。因此，本章內容主要介紹我們設計Agent評測數據集體系思路以及具體實施方案。目標建立一個評估Dify平臺上Agent基礎能力的評測體系。方案假設我們在Dify平臺上開發了一個專利輔助助手Agent，如果我們要對該Agent進行能力評估，那么評估維度大致分為兩層：基礎能力層基礎能力評估層，主要是Agent的通用能力進行評估，大體評估項以及評估指...

aievalsystem這是一個基于OpenCompass的模型評測系統，該系統提供了前端頁面UI以方便用戶自助開展評測工作。項目地址??https:github.comdomonic18aievalsystem??版本發布v0.2：支持API方式進行Dify平臺應用的評測優化評測任務創建時的交互過程，包括APIURL等信息的輸入、數據集的選擇、評測信息的確認優化評測任務頁面的顯示，區分我的評測和全部評測優化評測任務終止時使用Celery原生方法不穩定的問題服務進行Docker化，方...

背景在《MCP協議簡述之MCPserver實戰》中，我們實現了一個本地的MCPserver，然后在支持MCP協議的客戶端程序(如cursor、cherrystudio)中配置調用了該MCPserver。本章主要探索如何將MCPserver發布為遠程服務，使得其他用戶可以直接使用MCPserver。回顧問題在上一章，我們在cherrystudio中配置了獲取天氣的本地mcpserver，關鍵配置如下：{"mcpServers":{"weather":{"command":"Usersdeadwalk.localbinuv","args":["directory","Use...

背景隨著AIAgent在2025年的火爆，與之相關的MCP協議也越來越受到開發者的重視，本文將結合示例深入了解MCP協議的原理架構以及應用方法。(What)MCP協議是什么MCP（ModelContextProtocol）是一種專為AIAgent設計的標準化協議，旨在解決AI模型與外部數據、工具之間的集成難題。其核心定位是成為AI領域的“通用接口”，類似于物理世界中的USBC標準，為不同AI系統提供安全、無縫、可擴展的數據交換能力。(Why)為什么要使用MCP協議MCP...

前言由于使用??lmevaluationharness??工具評測時，遇到較多復雜的問題不好處理，例如：連接??huggingface???下載??tokenizer??被墻；評測??API???時需要服務器支持??LogProbs??等問題源代碼較為晦澀難懂，??Readme??文檔不詳細....導致評測工具的使用成本以及體驗不佳，因此我們尋求一款國產的、源碼可讀性高，文檔詳細的評測工具：OpenCompass。簡介OpenCompass是由上海人工智能實驗室推出的開源大...

前言由于在Macmini上部署ComfyUI踩了不少坑，所以本章內容將部署過程和注意事項進行了整理記錄，以便方便未來的復用。目標目標1：在Macmini上通過ComfyUI+Flux模型，實現文生圖片的功能。目標2：將服務整合進Dify平臺，實現對模型能力的統一管理。1.本地部署步驟為了實現上述目標1，需要完成以下步驟：下載并安裝ComfyUI下載并安裝ComfyUIManager下載并安裝ComfyUIKJNode下載并配置Flux模型配置文生圖片工作流具體操作步驟如下...

前言隨著近期DeepsSeek大模型在AI領域的快速崛起，人工智能技術正在快速進化，在這場智能革命的浪潮中，一個關鍵命題愈發凸顯：當大模型能力不斷進化時，我們該如何建立與之匹配的評估體系。本文將以2篇論文??《ASurveyontheEvaluationofLargeLanguageModels》???、??《TRUSTWORTHYLLMS:ASURVEYANDGUIDELINEFOREVALUATINGLARGELANGUAGEMODELS'ALIGNMENT》??內容作為基礎，探討大模型評價體系的重要性(Why)、評價什么(W...

前言DeepSeek作為國產頂尖大模型，在代碼生成和邏輯推理方面表現優異。本文提供三種不同場景下的接入方案，滿足從普通用戶到開發者的不同需求。當前問題由于訪問量激增和網絡攻擊，官網服務可能出現不穩定。本文提供三種備用接入方案：方法一：使用??chatbox+硅基流動??接入云端API使用(適合于普通用戶使用)方法二：使用??Cursor+硅基流動??接入云端API使用(適合于程序員人群)方法三：使用??ollama本地化部署??使用...

前言在眾多的GPU云平臺中，AutoDL是我們常用的一個。它因為顯卡可快速擴展、實例運行穩定、網絡連接速度快，深受大家的喜愛。不過其端口映射略微復雜，所以本篇文章，我們將介紹在AutoDL平臺上進行模型訓練的過程。環境準備1.1創建實例通過查看LLamaFactory的官方文檔，我們可以得知，LLamaFactory的運行需要依賴以下環境：必需依賴最低版本推薦版本python3.83.11torch1.13.12.4.0transformers4.41.24.43.4datasets2.16.02.20.0...

前言本文將介紹如何在趨動云平臺上使用xinference部署對話模型、向量化模型以及多模態模型。xinference簡介xinference官網官網說明：https:inference.readthedocs.iozhcnlatestgettingstartedinstallation.htmlxinference可以部署的模型類別chat對話模型embedding向量化模型rerank模型vlchat多模態模型環境準備選擇鏡像選擇鏡像環境安裝xinferencexinference支持的引擎有：transformersvllmllama.cppSGlong引擎.....本篇文章，...

前言在上一章課程【???使用YOLO進行目標檢測??】，我們了解到目標檢測有兩種策略，一種是以YOLO為代表的策略：特征提取→切片→分類回歸；另外一種是以MTCNN為代表的策略：先圖像切片→特征提取→分類和回歸。因此，本章內容將深入了解MTCNN模型，包括：MTCNN的模型組成、模型訓練過程、模型預測過程等。人臉識別在展開了解MTCNN之前，我們對人臉檢測先做一個初步的梳理和了解。人臉識別細分有兩種：人臉檢測和人臉身份識...

前言本章的學習內容，將以目標檢測為切入口，了解目標檢測流程，包括：數據標準、模型訓練以及模型預測。圖片分類vs目標檢測通過查看YOLO網站的task目錄，我們可以看到：在計算機視覺領域中，常見的任務包括目標檢測（detect）、語義分割（segment）、圖像分類（classify）、人體姿態估計（pose）、以及有向邊界框（OrientedBoundingBox，OBB）等。圖像分類（classify）a.輸出是圖像所屬的類別或標簽，通常以概率分布的形式（例...

前言在上一章【??大模型之深入探索RAG流程???】中，我們對RAG流程中??文檔讀取(LOAD)???>??文檔切分(SPLIT)???>??向量化(EMBED)???>??存儲(STORE)???進行了深入了解，本章將接著深入了解??解析(Retrieval)??的使用解析器簡介簡介：在RAG（RetrievalAugmentedGeneration）流程中，Retrieval（檢索）是關鍵環節，其主要目標是從大量文檔或知識庫中提取與用戶查詢相關的信息。目的：信息獲取：根據用...

前言在上一章【大模型之初識RAG】中，我們初步了解了RAG的基本概念和原理，并通過代碼實踐了一個簡單的RAG流程。本章我們將基于RAG的基本流程，深入了解??文檔讀取(LOAD)???、??文檔切分(SPLIT)???、??向量化(EMBED)???和??存儲(STORE)??的每個環節，并結合代碼進行常見場景的實踐。RAG流程回顧回顧RAG的流程如上所示，具體代碼見RAG代碼，本章不再贅述。文檔讀取(LOAD)簡介：由于我們的知識廣泛存在各類文...