5 篇文章
本文介绍了Function Calling与MCP两种技术。Function Calling是大模型调用预设函数与外部系统交互的能力，用于扩展模型能力、结构化输出和动态决策，适合简单原子化任务。MCP是Anthropic推出的开放通用协议，采用客户端-服务器架构，提供Resources、Tools、Prompts三大能力，支持跨模型跨平台复杂场景。通过门票助手、高德地图MCP、Tavily搜索MCP等案例展示应用。对比显示，Function Calling适合简单低延迟任务，MCP适合复杂多工具联动场景，两者可组合使用。
本文介绍了两种AI Agent类型：Workflow Agent和ReAct Agent。Workflow Agent通过人工定义规则和工具赋能，解决LLM的幻觉、无执行能力等缺陷，适用于高准确性场景，采用RAG技术、预设工作流和工具调用实现可控性。ReAct Agent则通过“推理→行动→反馈”循环动态完成任务，适用于非固定步骤的任务，如文件查找和故障排查，核心是思维链技术支撑推理过程。文章还通过案例展示了ReAct Agent如何通过多轮工具调用完成复杂任务，并讨论了相关技术架构和产品。
本文介绍了Agent进阶与集成技术，涵盖批处理、数据表、知识库、多Agents和复杂工作流等核心能力。通过5个实战案例（古诗词绘画、智能投顾、客户分层营销、智能客服、市场舆情监测）展示应用，并涉及Coze API和Dify API的集成对接。
本文介绍了AI时代软件开发从SDD（规格驱动开发）到TDD（测试驱动开发）的范式转变，强调规格作为可执行表达和测试作为质量保障核心。通过正整数判断和AI投研工具实战案例，展示了TDD的红-绿-重构循环。核心概念“Harness Engineering（驭缰工程）”提出Agent = Model + Harness，强调通过告知、约束、验证三支柱构建可靠系统，包括AGENTS.md导航、Lint规则机械化执行、仓库即记录系统等实践。文章指出，约束越严AI越可靠，需通过自动化规则防止Agent复制坏模式，并介绍了Guides x Sensors矩阵区分计算性与推理性任务。
本文介绍了Dify开源LLM应用开发平台的部署与应用。核心内容包括：Dify平台定义及五种应用类型（聊天助手、文本生成、Agent、对话流、工作流）；Docker Compose本地化部署步骤（克隆代码、配置环境变量、启动服务、初始化）；Chatflow与Workflow的核心区别（对话式交互vs批处理）；以及四个实战案例之一——LLM联网搜索工作流的搭建方法（开始→LLM提取关键词→Tavily搜索→LLM总结→结束）。