张伟的专栏

要理解课程智能体，必须先理解AI Agent（智能体）。能够感知环境、进行推理和规划，并自主执行任务的软件系统。可以读取环境数据，例如文本、图像、课堂数据等。根据目标规划任务路径。调用工具、执行任务，并持续迭代。智能体是生成式 AI 的下一阶段。如果说 ChatGPT 只是一个“回答问题的 AI”，那么智能体更像一个能完成任务的数字员工。很多人以为教育行业变化慢。但历史上教育技术的变化往往是突然爆发的。例如印刷术、互联网、在线教育等等。其实每一次技术革命，都在重塑教育。

见官方文档自定义规则是定义项目专属AI行为约束的强大工具，可确保：✅ 统一代码格式化标准限制敏感文件访问强制执行编码规范定制AI行为满足项目需求可通过两种方式定制 Kilo Code 行为：全局指令：适用于所有模式模式专属指令：仅针对特定模式（如代码模式、架构师模式等）强制代码风格规范指定首选库或框架定义项目特定约定调整 AI 语气或交互风格（详见 自定义指令 部分）

Skills（全名： ）是一个开放、模块化、可组合的智能体技能仓库。“不要让AI从零开始学做事，而是给它一套标准化的‘技能工具箱’。就像人类通过学习“开车”“做饭”“写代码”来完成复杂任务，AI智能体也可以通过加载不同的Skill（技能）来扩展能力边界。

在AI辅助编程领域，Obra/superpowers库与Fission-AI/OpenSpec库代表了两种截然不同的技术路径。前者致力于构建可复用的AI编程技能库，后者则倡导以规范（Spec）为核心的驱动开发模式。本文将深入对比两者在核心理念、工作流程及适用场景上的核心差异，探讨它们如何分别解决AI开发中的效率与一致性难题，并分析在项目演进中应如何取舍。前几天在咖啡店，我无意中听到邻桌两位程序员在激烈争论。一位坚持说：“AI编程助手最大的价值就是帮我快速写出新代码，我需要的是更多‘技能’。

https://blog.csdn.net/qq_41663839/article/details/147148289?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-5-147148289-blog-146972391.235^v43^pc_blog_bottom_relevance_base1&spm=1001.2101.3001.4242.4&utm_relevant

RuoYi-Vue教育系统：学校管理平台开发

使用DeepSeek大模型+扣子工作流，对上传的语文作文进行一键批改，输出量化评估结果、综合评价、优化建议，并生成优化范文。

但是还有一些问题，比如说学起来速度慢，再比如说有些资料很乱，你不懂怎么去学，不懂怎么下手，再比如说出错了，但不知道找谁问。以前我读大学那会就是，上 B 站学习写代码，然后视频上的没出 bug ，我自己写的就有 bug ，然后又不知道问谁。但秘塔 AI 的这波更新，就解决了我们学习中遇到的大部分问题，也极大的提高了我们的学习效率。开始节点与以往不同，以往我们的工作流开始节点都是输入的文章，而这次，我们输入的是图片。这个节点的作用，是理解用户发送的图片，也就是我们所发送的试卷或者说作业。

说起批改作业这事儿，真是让无数老师头疼的老大难问题。我记得前两天和一个小学老师朋友聊天，她跟我抱怨说每天晚上都要批改到半夜，手都快抽筋了。一个班40多个学生，每人的数学作业、语文作业、英语作业，加起来就是一堆小山。更要命的是，批改完了还得写评语，还要统计错题类型，分析学生的薄弱环节。这种重复性的工作真的很消耗老师的精力，而且说实话，人工批改还容易出错。老师累了的时候，可能一道明明错了的题目看成对的，或者评分标准不够统一。我就想，能不能用AI来解决这个问题呢？

同时，根据心理学专家和一线教师的反馈，对高质量定制指令进行微调，以激活特定教育功能（如作文评价、苏格拉底式教学和情感支持）。此外，EduChat还探索了检索增强技术，使LLM能够自动判断检索信息的有用性，并根据存储的相关信息和知识生成响应，从而确保回复的准确和可信。EduChat是一个基于大规模语言模型（LLM）的教育领域聊天机器人系统，旨在支持个性化、公平和富有同情心的智能教育，为教师、学生和家长提供服务。该模型能够识别出优秀的句子，突出优势和有待改进的地方，实现对学生论文写作技能的个性化指导。

⑯在去除Markdown格式节点后添加已经定义好的mysql查询工具，host填写你要连接的数据库ip，user填写用户名，password填写密码，database填写数据库名称，port填写端口号，query选择去除Markdown格式节点的结果，不返回内容。利用我给你的已知信息，生成可执行的SQL插入到数据库，将已知信息基于表格字段格式要求自行转换格式，其次要把对应字段的完整内容插入数据库中，除SQL语句以外不输出任何其他内容。⑦在指定回复1节点后添加知识库检索节点，选择已创建的知识库。

添加标签后，匹配会有分数加成，且标签越多，加成越多。：在知识检索前对提问进行优化，将关键字式的提问完善成一个完整的问题，缩小需要检索的知识库范围，提高检索速度和准确度。：通过查看工具的“日志与标注”，点击需要查看的对话，再点击具体的了解答复，可以查看congtext里的知识检索结果。相较于RAGFlow的“聊天”功能，Dify的提示词更为灵活，易于配置，避免了不可控的隐藏提示词导致的输出问题。：“运行”聊天工具后，点击“知识检索”的“运行结果”，再点击content的内容，即可查看详情。

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！·  2024-08-20 09:53:30 发布。

闪亮登场，以AI搜索增强版内核为底座，进一步优化了对全文与向量混合搜索的能力支持，从原始文档解析、向量化等原子能力，到查询性能、混合排序效率、搜索结果精准度等提供了全方位的支持和优化，让搜索有了更多想象空间。本身支持常用的中文分词，如IK 分词、QQ分词，同时支持用户上传自定义插件，在内核层面，针对典型向量场景特点做了深度优化，例如分片架构优化，查询并行化，lucene查询缓存锁改造等，10亿级向量检索平均响应延迟控制在毫秒级，整体查询性能提升3 - 10倍，极大程度的提升了混合搜索的效率。

元数据本质上是"关于数据的数据"，就像图书馆里每本书的标签一样。•文档类型：技术手册、用户指南、FAQ等•部门归属：市场部、技术部、人事部•保密级别：公开、内部、机密•创建时间：2024年1月、最近更新等•适用场景：新手入门、高级配置、故障排除想象一下，如果你的知识库里有5000份文档，没有元数据就像一个没有分类的巨大仓库，找东西全靠运气。有了元数据，就像给每个文档贴上了精准的标签，AI可以瞬间定位到最相关的内容。进入元数据管理：点击右上角的"元数据"按钮添加自定义字段。

而 RAG（检索增强生成）技术，正是解决这个问题的“镊子”——它让大模型从“闭卷考试”变成“开 卷考试”，用企业自己的知识库当“课本”，回答自然更准、更新。知识入库线的四个模 块，就是干这个的。这两条线就像工厂的“原料处理线”和“产品组装线”：知识入库线把“原料”（文档）变成“零 件”（知识块），问题解答线把“零件”（知识块）组装成“产品”（答案）。——计算用户问题向量和文档向量的夹角，夹角越小，相似度越高（比如“主轴异响”和“轴承磨损”的夹角是10度，和“电机故障”的夹角是30度，前者更相 关）。

Github 斩获Star，究竟为什么，竟让这么一个小工具如此火爆。让我们一起看看吧。

Knowledge Pipeline是Dify 1.9.0引入的全新知识处理架构，它将传统的文档处理流程模块化，让用户可以像搭积木一样自由组合各种处理节点。文档上传MinerU解析图像提取URL存储Parent-Child分块知识库索引混合输出Dify 1.9.0的Knowledge Pipeline功能真正实现了多模态RAG的突破，通过MinerU工具的强大解析能力，让AI助手具备了"看图说话"的能力。无论是技术文档、学术论文还是商业报告，都能得到完整准确的理解和回答。

复杂排版 PDF 的解析能力，已成为衡量企业文档自动化处理水平的重要指标之一。然而，在实际操作中，大多数企业并不具备自主研发 PDF 解析系统的能力，更多依赖于开源工具来完成这一任务。因此，选择一款功能强大、适配性强的 PDF 解析工具，显得尤为关键。在本文中，笔者实测了七款主流的 PDF 解析工具（包括 MinerU、Doc2X、maker、Nanonets-OCR-s、olmOCR、surya 等），综合对比其在复杂排版文档中的表现后发现，MinerU 在多个维度上最贴合笔者的真实工作场景的需求。

最近在推进 dify 智能客服应用时，客服团队又提出了一个新需求：“我们的用户手册都是图文并茂的，有些操作单靠文字根本讲不清楚，能不能也让智能客服的回答里带上图片？这个问题其实在很多企业的知识库中都存在。纯文字的知识点，在面对设备操作、软件配置、页面引导等任务时，往往力不从心。