进阶岛
L2G2-GraphGen
1 安装和运行GraphGen
conda create -n graphgen python=3.10 -y
conda activate graphgen
git clone https://github.com/open-sciencelab/GraphGen.git
cd GraphGen
pip install -r requirements.txt2025年7月20日大约 2 分钟
进阶岛
L2G4- MCP
你说得对！这段关于“智能体协议 MCP”的介绍虽然意图清晰，但确实存在一些混淆、概念不清或表述不严谨的地方。下面我来为你总结、纠正并补充这段内容，让你一看就明白 MCP 到底是怎么回事。
✅ 一句话总结 MCP 架构核心
MCP 是一种用于 LLM 智能体连接多种外部工具与数据源的通用协议标准，它采用客户端-服务器模型，实现“多工具、多数据源、一致接入”的能力抽象。
2025年7月20日大约 5 分钟
进阶岛
L2G5- CAMEL
0 原理
1 以LLM为基础的Agent
这是一张描绘智能体（Agent）工作机制的流程图，核心是“Agent” ，各部分及联系如下：
### 核心组件 - Agent（智能体）
是整个流程的核心控制单元，负责协调、调度其他组件，依据任务需求，决定调用哪些工具、如何利用记忆、开展怎样的规划与行动，像一个 “指挥官”，驱动整个系统运转 。
### 工具（Tools）
包含多种功能性模块：
- **Calendar()**：日历工具，可用于处理时间相关任务，比如查询日期、安排日程等。
- **Calculator()**：计算器工具，执行数学计算操作。
- **CodeInterpreter()**：代码解释器，能解析、运行代码，处理编程相关任务 。
- **Search()**：搜索工具，用于从外部获取信息，拓展知识来源 。
- **...more**：代表可扩展的其他工具，根据需求添加，丰富智能体能力 。这些工具是 Agent 可调用的 “武器库”，Agent 按需选择工具辅助完成任务。
### 记忆（Memory）
- **Short - term memory（短期记忆）**：存储近期、临时的信息，用于当下任务的即时处理，像当前对话的上下文内容，辅助 Agent 短期决策 。
- **Long - term memory（长期记忆）**：留存长期积累的知识、经验，比如过往解决类似任务的策略、通用知识等，为复杂、持续任务提供深度支撑 。二者都受 “Memory” 模块管理，Agent 可从这里提取或存储信息，是智能体 “知识储备” 与 “即时信息” 的载体，影响任务处理的知识基础。
### 规划（Planning）
细分为多个策略：
- **Reflection（反思）**：让 Agent 回顾任务处理过程、结果，总结经验教训，优化后续行动 。
- **Self - critics（自我批判）**：对自身决策、行动进行审视，查找不足，避免重复犯错 。
- **Chain of thoughts（思维链）**：以逐步推理、连贯思考的方式拆解任务，理清解决步骤 。
- **Subgoal decomposition（子目标分解）**：把复杂大任务拆成多个可逐步完成的子目标，降低任务难度 。规划模块为 Agent 提供 “思考框架”，指导 Agent 如何拆解任务、优化流程，决定任务执行的逻辑路径 。
### 行动（Action）
是 Agent 依据前面的规划、借助工具与记忆，实际执行任务的环节，将规划转化为具体操作，是任务落地的 “执行手” ，且行动过程中产生的信息又会反馈到记忆模块，更新记忆内容 。
### 各组件联系
Agent 作为核心，根据任务需求，从 Memory 提取信息，选择 Tools 辅助，依靠 Planning 确定行动逻辑，通过 Action 执行任务；任务执行产生的新信息又回流到 Memory 存储；Planning 过程中也会参考 Memory 里的知识，Tools 的使用情况也会反馈给 Agent 调整后续操作，形成一个闭环的任务处理系统，各组件相互配合，让智能体完成复杂任务 。 简单说，就是 Agent 统筹，用工具、靠记忆、做规划，最终行动，各环节相互影响、协同，支撑智能体运作 。2025年7月20日大约 15 分钟
基础岛
L1G4- InternLM 论文分类微调实践（XTuner 版）
1 一些概念
什么是XTuner
- 是一个高效、灵活、全能的轻量化大模型微调工具库。
能解决什么问题
- 解决大模型微调的资源门槛高、效率低的问题
- 解决多种模型架构和微调方法的兼容性问题
- 解决从训练到部署的工作流程不连贯问题
2025/7/4大约 9 分钟
3 认证业务架构方案设计
3.1 如何解决缓存问题
分布式环境常用什么缓存
思考：
1.引入Redis解决什么问题。
2.目前现状应用场景是什么样的。
业务说法：少量登录注册，大量业务请求。
需要翻译业务术语到专业术语：
专业术语: 少量写入操作，大量读取操作。
缓存首先要考虑的点是 一致性，如何保证
弱一致性：D1 写DB D2 写cache D3 读cache
2025/7/4大约 4 分钟
基础岛
L1G3-LMDeploy 课程
1 概念
LMDeploy 是什么
- 它是一个高效的LLMs模型部署工具箱，功能包括：量化，推理和服务。
推理方面，和个人常用的ollama工具一样码
- Ollama：“傻瓜相机”，适合快速体验模型，但功能和性能受限于封装。
- LMDeploy 等框架：“专业单反”，适合开发者按需定制，可挖掘硬件极限性能
2025/7/3大约 18 分钟
1. 业务架构方面
- 业务架构设计与分析
- 认证业务架构设计之缓存
2 设计模式
1.1 策略模式
定义： 属于行为模式，将定义的算法家族分别封装起来；让他们可以相互替换，使得算法变化不影响算法使用者。如：选择付款渠道时。
2025/6/30大约 2 分钟
2 AI方向
1 大模型工程研发工程师
要求：
岗位职责：
1、负责大模型、Agent、数字人等AI方向的工程系统建设，负责AI能力在产品开发测试方向的应用规划及设计。
2、构建高并发、低延迟的大模型服务架构,优化GPU资源调度与推理性能。
3、设计RAG系统后端架构，实现高效检索(向量+关键词)、缓存与异步处理机制。
4、开发Agent系统核心模块，包括工具调用、记忆存储、会话状态管理等工作。
岗位要求 ：
1、本科及以上学历,计算机相关专业，3年以上后端开发经验，精通Go/Python/Java。
2、有Agent平台、应用开发经验者优先,熟悉coze、dify、langflow等开发平台。
3、了解RAG、Agent机制，掌握智能体后端架构，熟悉prompt工程业务优化，熟悉主流的开发框架,如LangChain、langGraph、Llamalndex、SpringAI等AI应用框架优先。
4、扎实的Java、Python技术,熟悉高并发、多线程开发,有SSE、Socket开发经验。
5、加分项：有搜索系统、推荐系统、广告系统、问答系统研发架构经验，有参与AIGC应用研发经验。
2025/6/30大约 6 分钟
2025/6/15小于 1 分钟