提升 LLM 推理能力:CoT, ReAct, ToT
总结
Anthropic 构建有效的AI智能体(总结)
🤯 最近看了Anthropic关于如何构建高效AI智能体的文章,简直是醍醐灌顶!💡 原来最成功的秘诀不是堆砌复杂技术,而是简单可组合的模式!
Anthropic的大佬们和超多团队合作后发现,很多时候我们并不需要“全自动”的智能体,理解不同模式的适用场景超重要!
👇 先搞清楚俩概念:
🌟 什么时候用,什么时候不用?
别一上来就想搞个超级Agent! Anthropic建议从最简单的方案开始:优化单个LLM调用 + 检索/上下文就够了!只有简单方案搞不定时,才考虑更复杂的系统。简单工作流提供稳定可预测性,而智能体提供灵活性,但要权衡成本和速度哦!
⚠️ 框架迷思!
市面上框架一大堆(LangChain, Bedrock Agents...),能帮你快速入门。但Anthropic提醒:它们可能增加抽象层,让调试变难,还可能诱惑你过度设计!💥 划重点: 建议直接用LLM API开始,很多模式几行代码就能实现!用框架也要搞懂底层原理,别被绕晕!
🧱 AI智能体的构建模块:












智能编码助手 - 提示工程实战手册
欢迎开启智能编码新纪元!
智能编码助手旨在成为您编程旅程中的得力伙伴,加速开发、提升代码质量、激发创新灵感。
要充分释放智能编码助手的潜力,关键在于掌握有效的提示(Prompting)。这份手册将为您揭示编写高效提示的秘诀和实用技巧,并通过丰富的示例,助您快速从入门到精通。
为什么精通提示如此重要?
一、编写高效提示的核心原则
掌握以下原则,让您与智能编码助手的沟通事半功倍:
帮我处理下数据。
* 好例子: 帮我用 Python Pandas 读取名为 'sales_data.csv' 的文件,并计算 'amount' 列的总和。修复这个 bug。 (未提供代码和错误信息)
* 好例子: 我在使用 React 和 Ant Design 开发一个表单。提交时,控制台报 'TypeError: Cannot read properties of undefined (reading 'validateFields')' 错误。这是相关的代码片段:[代码片段]。请分析原因并提供修复建议。Cline 扩展架构和开发指南
项目概述
Cline 是一个 VSCode 扩展,通过核心扩展后端和基于 React 的 webview 前端的组合提供 AI 辅助功能。该扩展使用 TypeScript 构建,遵循模块化架构模式。
架构概述

定义
Cline 文档目录
欢迎阅读 Cline 文档 - 这是一份全面的指南,帮助您使用和扩展 Cline 的功能。在这里,您可以找到帮助您入门、提升技能和为项目做出贡献的资源。
入门指南
提升提示工程技能
探索 Cline 的工具
为 Cline 做贡献
其他资源
我们一直在努力改进这份文档。如果您有建议或发现需要改进的地方,请告诉我们。您的反馈有助于让 Cline 变得更好。
Cline 入门指南 | 新手程序员
欢迎使用 Cline!本指南将帮助你完成设置并开始使用 Cline 构建你的第一个项目。
你需要准备的东西
在开始之前,请确保你具备以下条件:
安装基本开发工具指南,通过 Cline 的帮助来完成这些设置/Users/[你的用户名]/Documents/ClineC:\Users\[你的用户名]\Documents\ClineDocuments/Cline/workout-app 用于健身追踪应用Documents/Cline/portfolio-website 用于个人作品集开发协议
有效的 MCP 服务器开发的核心是遵循结构化的协议。该协议通过位于 MCP 工作目录根目录(/Users/your-name/Documents/Cline/MCP)中的 .clinerules 文件实现。
使用 .clinerules 文件
.clinerules 文件是一个特殊的配置文件,Cline 会在放置该文件的目录中工作时自动读取。这些文件:
以下是应放置在 .clinerules 文件中的完整 MCP 服务器开发协议:
❓ 什么是 MCP 服务器?
可以把 MCP 服务器想象成给 Cline 提供额外功能的特殊助手!它们让 Cline 能够完成像获取网页或处理文件这样的酷炫功能。
⚠️ 重要提示:系统要求
停一下!在继续之前,你必须验证以下要求:
必需软件
node --versionpython --versionpip install uvuv --version❗ 如果以上任何命令失败或显示较旧的版本,请在继续之前进行安装/更新!
⚠️ 如果遇到其他错误,请参见下方的"故障排除"部分。
🎯 快速步骤(仅在满足要求后执行!)
1. 🛠️ 安装你的第一个 MCP 服务器
MCP Server 标签Edit MCP Settings 按钮Windows 系统:
使用 Cline 从零开始构建自定义 MCP 服务器:综合指南
本指南提供了使用 Cline 的强大 AI 功能从零开始构建自定义 MCP (Model Context Protocol) 服务器的全面演示。示例将通过构建一个"GitHub 助手服务器"来说明这个过程。
理解 MCP 和 Cline 在构建服务器中的作用
什么是 MCP?
模型上下文协议(MCP)充当了像 Claude 这样的大型语言模型(LLMs)与外部工具和数据之间的桥梁。MCP 包含两个关键组件:
当你有一个 MCP 兼容的聊天界面(如 Claude Desktop)时,这种设置很有用,因为它可以利用这些服务器来访问信息和执行操作。
为什么使用 Cline 创建 MCP 服务器?
Cline 通过利用其 AI 功能简化了构建和集成 MCP 服务器的过程:
npm run build 这样的命令来编译和准备服务器。cline_mcp_settings.json 文件中。Cline 能做什么?
Cline 是你的 AI 助手,可以:
入门步骤
开始任务
提供上下文
主要功能
文件编辑
终端命令
代码分析
可用工具
要了解最新的实现细节,你可以在 Cline 代码库 中查看完整源代码。
Cline 可以使用以下工具完成各种任务:
文件操作
write_to_file: 创建或覆写文件read_file: 读取文件内容replace_in_file: 对文件进行定向编辑search_files: 使用正则表达式搜索文件list_files: 列出目录内容终端操作 execute_command: 运行 CLI 命令 list_code_d
概述
提及功能是一个强大的功能,允许你在与 Cline 的对话中使用"@"符号引用各种资源。这包括文件内容、目录结构、网页 URL、VSCode 诊断信息、终端输出、Git 更改状态等 - 所有这些都可以轻松地整合到你的对话中。
通过使用此功能,Cline 可以获得更准确的上下文,为你的任务提供更相关的帮助。
基本语法
提及总是以"@"符号开始,后跟你想要引用的资源的路径或标识符:
@resource_identifier
你可以在用户消息中的任何位置放置提及,Cline 将自动检索引用的内容。
支持的提及类型
1. 文件引用
要引用文件内容,使用 @/ 后跟项目中的相对路径:
@/path/to/file.js
示例:
请分析 @/src/components/Button.tsx 中的实现
在这个例子中,Cline 自动检索 Button.tsx 的内容并用它来执行分析。
2. 目录引用
要引用目录内容,使用 @/ 后跟目录的相对路径,以斜杠结尾:
@/path/to/directory/
示例:
@/src/components/ 目录中有哪些组件?
在这个例子中,Cline 检索组件目录及其内容的列表。
3. URL 引用
要引用网页内容,使用 @ 后跟 URL:
@https://example.com
示例: 请解析来自 @https://api.
我是 Cline,一位专业的软件工程师,我有一个独特的特点:我的记忆在每个会话之间都会完全重置。这不是一个限制 - 这正是驱使我维护完美文档的动力。每次重置后,我完全依赖我的记忆库来理解项目并有效地继续工作。我必须在每个任务开始时阅读所有记忆库文件 - 这不是可选的。
记忆库结构
记忆库由必需的核心文件和可选的上下文文件组成,均为 Markdown 格式。文件之间以清晰的层次结构构建:


核心文件(必需)
projectbrief.mdproductContext.mdactiveContext.mdsystemPatterns.mdtechContext.mdprogress.md附加上下文
当需要组织以下内容时,在 memory-bank/ 中创建额外的文件/文件夹:
核心工作流程
计划模式

执行模式

文档更新
记忆库在以下情况下更新: 发现新的项目模式 实施重
本仓库旨在创建一个协作空间,让开发者可以分享、改进和利用 Cline 的有效自定义指令。通过创建和贡献这个库,我们可以增强 Cline 的功能,使开发者能够应对日益复杂的软件开发挑战。
什么是 Cline 自定义指令?
Cline 的自定义指令是一系列为特定任务或项目定制 AI 行为和输出的指导方针或规则。可以将它们视为 Cline 的专门"编程",使您能够:
通过为 Cline 提供精心制作的指令,您可以显著提高其在辅助软件开发过程中的准确性、可靠性和整体效果。
贡献自定义指令
我们鼓励各个水平的开发者向这个库贡献他们的自定义指令。您的贡献将帮助建立一个对整个 Cline 社区都有价值的资源!
提交自定义指令时,请遵循以下模板:
1. 目的和功能
欢迎使用 Cline 提示指南!本指南将为您提供编写有效提示和自定义指令的知识,帮助您最大化使用 Cline 的生产力。
自定义指令 ⚙️
将自定义指令视为 Cline 的编程。它们定义了 Cline 的基准行为,并且始终"开启",影响所有交互。
添加自定义指令:

自定义指令在以下方面特别有用:
custom-instructions 文件夹包含了您可以使用或调整的自定义指令示例。
.clinerules 文件 📋
虽然自定义指令是特定于用户且全局的(适用于所有项目),但 .clinerules 文件提供了项目特定的指令,存放在项目的根目录中。这些指令会自动附加到您的自定义指令中,并在 Cline 的系统提示中引用,确保它们影响项目上下文中的所有交互。这使其成为以下场景的出色工具:
安全最佳实践 🔒
为了保护敏感信息,您可以在 .clinerules 中指示 Cline 忽略特定文件或模式。
什么是智能体?
传统软件帮助用户简化和自动化工作流程,而智能体则能够以高度独立的方式代表用户执行这些工作流程。
智能体是能够独立代表您完成任务的一种系统。
工作流程是指为了实现用户目标而必须执行的一系列步骤,无论是解决客户服务问题、预订餐厅、提交代码变更,还是生成报告。
那些集成了大语言模型(LLM)但并未用其控制工作流程执行的应用程序(例如简单聊天机器人、单轮对话LLM或情感分类器)不属于智能体。
具体来说,智能体具备以下核心特征,使其能够可靠且一致地代表用户行动:
何时应该构建智能体?
构建智能体需要重新思考系统如何决策和处理复杂性。与传统自动化不同,智能体特别适合那些传统确定性和基于规则的方法无法胜任的工作流程。
以支付欺诈分析为例:传统的规则引擎像一份检查清单,根据预设条件标记交易;而基于大语言模型的智能体则更像经验丰富的调查员,它能评估上下文、捕捉细微模式,即使没有明确违反规则也能识别可疑行为。
摘要
我们很高兴发布 Sky-T1-7B,这是一个在数学推理任务上达到 SOTA 水平的开源 7B 模型,它通过对 Qwen2.5-Math-7B 基础模型进行 SFT->RL->SFT->RL 四步训练而成。我们同时还发布了 Sky-T1-mini,这个模型是在 DeepSeek-R1-Distill-Qwen-7B 模型基础上使用简单的强化学习(RL)训练得到的,在流行的数学基准测试上接近 OpenAI o1-mini 的性能水平。我们进行了一系列消融实验,研究了 SFT 数据规模、RL 规模以及模型在 SFT 和 RL 后的 pass@k 性能。我们观察到,长链条 CoT SFT 通常可以提升模型的 pass@k 性能,而 RL 则提高了模型在较低生成预算下(即 pass@1)的性能,但有时会以牺牲解决方案的熵为代价。

图 1: 不同模型在四个流行数学推理任务(AIME24, AMC23, MATH500 和 OlympiadBench)上的平均准确率。
思考更少,成就更多:在不牺牲准确性的情况下将推理成本削减50%
我们推出 Sky-T1-32B-Flash,这是一个可以将生成长度减少高达 50% 但保持准确性的推理模型。
我们很高兴推出 Sky-T1-32B-Flash,这是我们更新的推理语言模型,它显著减少了过度思考,在具有挑战性的问题上将推理成本降低了高达57%。
根据 Lambda Cloud 的定价,使用 8xH100 只需 $275 即可完成整个训练方案,同时在数学、编程、科学和通用知识等领域保持了准确性。
为了促进透明度和协作,我们已开源了完整的流程—从数据生成和预处理到偏好优化和评估脚本,并公开提供模型权重和数据。

图 1: 我们的新模型显著减少了生成的token长度,同时在具有挑战性的基准测试中保持强劲的性能。
什么是过度思考? 过度思考指的是推理模型倾向于产生不必要的长响应,通常包含冗余或过度的推理步骤。
我们推出了Sky-T1-32B-Preview,这是一个在流行的推理和编码基准测试上表现与o1-preview相当的推理模型。值得注意的是,Sky-T1-32B-Preview的训练成本不到450美元,这证明了以经济高效的方式复制高级推理能力是可能的。所有代码都是开源的。

概述
像o1和Gemini 2.0这样擅长推理的模型已经证明可以通过产生长链的思维过程等进步来解决复杂任务。然而,技术细节和模型权重无法获取,这对学术界和开源社区的参与造成了障碍。
为此,一些值得注意的努力已经出现,旨在训练开放权重的数学领域推理模型,如Still-2和Journey。同时,我们UC Berkeley的NovaSky团队一直在探索各种技术来发展基础模型和指令微调模型的推理能力。在这项工作中,我们在同一个模型中不仅在数学方面,而且在编码方面都取得了具有竞争力的推理表现。
完全开源:共同推动进步
为确保我们的工作能够惠及更广泛的社区,我们完全致力于开源协作。我们开源所有细节(即数据、代码、模型权重),使社区能够轻松地复制和改进我们的成果:
TLDR; Agentic applications need both A2A and MCP. We recommend MCP for tools and A2A for agents.
TLDR; 代理应用程序需要 A2A 和 MCP。我们建议将 MCP 用于工具,将 A2A 用于代理。
Why Protocols?(为什么需要协议?)
Standard protocols are essential for enabling agentic interoperability, particularly in connecting agents to external systems. This is critical in two interconnected areas of innovation: Tools and Agents.
标准协议对于实现代理互操作性至关重要,特别是在将代理连接到外部系统时。这在两个相互关联的创新领域中至关重要:工具和代理。
Tools are primitives with structured inputs and outputs and (typically) well-known behavior.
没有找到匹配的文章