从零开始学Agent的搭建——多角色项目需求分析框架实战

GitHub热门AI Agent与AI编程项目解析：从框架到实战指南

最近在 GitHub 上发现一个有趣的现象：每周都有一些项目像坐火箭一样，星标数（Stars）蹭蹭往上涨。比如最近一周，就有 14 个项目脱颖而出，分布在 5 个不同的技术领域，其中涨星最多的一个项目，一周内就增加了近 1.9 万个星标。这背后反映的，正是当下开发者社区最关注的技术风向。 对于开发者来说，GitHub 的 Trending 榜单和涨星榜不仅是寻找优质开源项目的宝库，更是洞察技术趋势的“晴雨表”。无论是想学习新技术、寻找项目灵感，还是评估某个领域的活跃度，关注这些榜单都大有裨益。本文将围绕近期

Claude Code Agent Team 实战：用 subagents 搭建多角色协作

AI Agent 已成为大模型落地的重要形态，而多智能体协作则进一步提升了复杂任务的完成质量。其核心原理是将不同职能拆分为独立子代理（subagents），通过上下文隔离、工具权限控制和角色化系统提示，减少单一模型处理多任务时的上下文干扰与前后矛盾。这种团队化协作模式在遗留项目重构、代码审查、自动化测试等场景中价值显著，能有效提升开发效率与产出质量。具体到工程实践，Claude Code 提供了一套轻量的 Agent Team 配置方案：通过 .claude/agents/ 定义角色、CLAUDE.md 约

DeepSeek Harness实战：Agent Teams多角色并行与动态工作流编排指南

在AI工程化落地中，Agent开发框架正在成为连接大模型与自动化任务的关键桥梁。这类框架通过定义多智能体的协作方式，让多个角色化的Agent共享上下文、并行处理子任务，从而把“单轮对话”升级为“可编排的虚拟团队”。在此基础上，动态工作流进一步赋予流程以条件分支、循环跳转等能力，使Agent能够根据中间结果自适应调整执行路径，显著提升复杂任务的完成质量。这种模式广泛适用于代码审查、需求拆解、自动化测试、文档生成等工程场景。DeepSeek Harness（DSH）正是面向DeepSeek系列模型的开源Agen

AI-IDE-Agent多角色协同开发：原理、选型与实战避坑

随着AI辅助编程工具的普及，智能体（Agent）已不再局限于代码补全，而是逐步演化为覆盖需求分析、编码、测试与评审的全流程协作角色。其核心原理在于将复杂开发任务拆解为多个职责明确的子任务，通过上下文隔离与结构化交付物流转，降低单一模型认知过载，提升产出质量。这种多角色协同模式让开发者得以像管理者一样调配不同能力的AI，真正实现从“写代码”到“管理代码”的转变。在工程实践中，合理的角色说明书、任务拆解策略与上下文管理机制是落地的关键。本文结合真实项目经验，梳理了AI-IDE-Agent的选型要点、实施步骤及常

4.8 需求分析与调研Agent搭建：让AI帮你做市场调研和需求分析

本文介绍了如何搭建需求分析与调研Agent，实现自动化市场调研和需求分析。Agent核心功能包括市场信息收集、趋势分析、用户需求收集和优先级评估等。搭建步骤涵盖角色定义、工作流设计、工具集成、知识库配置及测试优化。文章强调了理解业务需求、合理设计流程和持续优化的重要性，并提出了关于Agent设计、工具集成和优化效果的思考题。这种AI助手可显著提升市场调研和需求分析效率，为后续业务分析师Agent的学习奠定基础。

多角色AI Agent：基于LLM的虚拟角色扮演系统

本文旨在探讨多角色AI Agent的基础知识以及其如何在虚拟角色扮演系统中发挥作用。我们将首先介绍多角色AI Agent的概念、历史背景和基本原理。随后，我们将深入探讨LLM（大语言模型）在虚拟角色扮演系统中的应用，包括其工作原理、核心架构和技术实现。最后，我们将通过具体案例，展示如何设计、实现和优化一个多角色AI Agent系统，并总结最佳实践和未来发展方向。多角色AI Agent是指能够扮演多个不同角色的智能体，它们可以在各种情境中自主决策和交互。每个角色都代表了Agent在特定任务或环境中的行为特征。

10.11 LangGraph多角色Agent开发实战：生产级AI系统架构与性能优化全解析

LangGraph 是 LangChain 生态中的高阶 API 框架，专为多角色协作 Agent 设计，核心思想是将复杂工作流分解为有向图结构，节点为原子操作，边为执行逻辑。与传统工作流引擎相比，LangGraph 支持 Python 函数/LLM 调用、内存共享状态管理和 LLM 实时决策，并集成 LangSmith 可视化调试工具。其架构演进从 2023 年 Q4 的原型设计到 2024 年 Q3 的多租户线程管理，逐步完善。LangGraph 通过增量更新策略优化状态管理，支持持久化检查点和多租户线

CrewAI实战，用CrewAI快速搭建多角色协作团队

CrewAI里每个Agent有三个核心属性，role、goal、backstory。role是角色名称，goal是这个角色要达成的目标，backstory是背景故事，帮模型更好理解角色定位。很多人觉得backstory这东西花里胡哨的，其实它对输出质量影响挺大。模型有了背景设定，生成的语气和角度会贴合角色。比如审核员你告诉它"你是有十年经验的内容编辑，对事实错误和逻辑漏洞零容忍"，它挑刺就挑得更狠。# 调研员Agent，负责收集和整理资料role="内容调研员",

Alphafold2/multimer本地安装避坑指南：从Conda环境配置到GPU加速实战

本文详细介绍了Alphafold2/multimer本地安装的全流程，从Conda环境配置到GPU加速实战，特别针对常见的报错处理提供了解决方案。通过硬件环境检查、依赖安装技巧、OpenMM补丁应用等步骤，帮助研究人员高效部署蛋白质结构预测工具，提升计算效率。

esp32c6 开发实战：低功耗蓝牙（BLE）开发

蓝牙栈在此程序流程中已经启动并运行，但是应用程序的功能尚未定义。功能的定义是通过响应事件来实现的，当其他设备尝试读取或写入参数以及建立连接时就会触发事件回调函数处理。BT控制器在控制器端实现主机控制器接口（HCI），链路层（LL）和物理层（PHY）。BT控制器对用户应用程序不可见，并处理BLE堆栈的较低层。蓝牙堆栈（Bluedroid stack）定义了经典蓝牙（BT Classic）和低功耗蓝牙（BLE）的通用定义和API。的判断）等对于启动低功耗蓝牙来说不重要的代码，函数初始化和启用BT控制器。

vmware虚拟机网络连接问题

主机:ubuntu14.04 Vitual Network Editor

ESP32-CAM入门教程

ArduinoESP32-CAM下载模块（接上USB就能用，很方便，如果没有买就只有资金用USB-TTL了）如下图两个合在一起如下图。

无人机通信电台--XBee-PRO 900HP (S3B)

XBee PRO S3B也称为XBee-900HP无线模块，它是一款工作在频段900~928MHz之间，基于FHSS跳频技术的远距离无线数传电台核心模块。常用型号如下： 类别 型号 开发套件 XKB9-DMT-UHP XBee-PRO 900HP (S3B) DigiMesh模块，200Kbps,软天线 XBP9B-DMWT-002 XBee-PRO 900HP (S3B)...

MTK AWB 色温曲线的进一步猜想

平均距离来判断是否对该色温下白平衡进行全部收白处理，还是保留一些光源的本身的颜色。比如占据图像一大半左右的纯色背景，纵坐标值相对横坐标的距离应该会比较大，大于一般场景下的正常白点分布。反之，位于Plank_curve下方位置的点具有偏洋红色的倾向。此时拟合各个色温下的白点，拟合曲线大致是以X= 0.85）平行于横轴的一条直线。对原始坐标系中的点取对数后的Log坐标系空间。此时拟合各个色温下的白点，拟合曲线大致呈现的是一条直线。，可以认为是各种色温下白点分布所呈现的走向。的算法利用某个色温点的偏离。

零基础实战：用 Docker 和 vLLM 本地部署 bge-reranker-v2-m3 重排序模型

本文介绍了如何利用Docker容器和vLLM推理框架在本地部署BAAI开发的bge-reranker-v2-m3文本排序模型。

uni-app - 解决 H5 微信公众号授权登录后，无法回退到 “上一页“ 的问题（微信登录后如何返回到触发它的那一页？无法通过 uni.navigateBack() 返回到前一页的问题？）详细教程

uniappH5微信登录重定向后无法返回到原来进入前的页面了，uni-appH5微信浏览器中授权微信登录后，无法正常回退问题，uniappH5微信登录后怎么返回上一页，uniapp公众号登陆后使用uni.navigateBack()回不去上一页，uniapp微信登录成功后返回页面后一直自动刷新页面，uniapph5授权成功后如何返回上一页，uniappH5微信登录后怎么返回到触发它的那一页去，公众号h5在授权后如何跳转回到刚进入时的页面，微信公众号H5网页返回上一页疑问，解决微信H5静默授

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大