Dify[1]是一款开源的大模型应用开发平台，可以通过可视化的画布拖拖拽拽快速构建AI Agent/工作流。Agent通常指能够自主决策、动态响应的智能体，比如聊天机器人、自动化客服等。工作流适合结构化、步骤明确、对输出内容和格式要求非常严谨的场景。 Dify工作流有许多场景，需要用到定时调度，比如：风险监控：每分钟扫描风险数据，通过大模型分析是否有风险事件，并发出报警。数据分析：每天拉取金融数据，通过大模型进行数据分析，给出投资者建议。内容生成：每天帮我做工作总结，写日报。本篇文章将介绍如何通过任务调度系统调度Dify工作流，通过任务调度系统调度LangChain脚本请看《LangChain脚本如何调度及提效？》。
随着AI大模型技术的迅猛发展，Java工程师如何在实际工作中高效应用这些技术成为了一个重要课题。本文从Java工程师的视角出发，深入探讨了如何利用LLM（大语言模型）进行应用开发实践，涵盖了对话聊天、联网搜索、个人知识库等实用功能的开发流程。文章不仅介绍了LLM的基本概念和开发框架，如Spring AI，还详细讲解了如何通过Function Calling调用第三方API以及使用RAG（检索增强生成）技术构建个人知识库。通过这些内容，读者将能够全面掌握LLM应用开发的核心技能，并构建出类似ChatGPT或DeepSeek的智能应用。
MCP协议的初衷是希望能将大模型的工具调用来做统一，对于 MCP 的原理介绍的文章已经随处可见，相信大家都有自己的见解，这里简单介绍一些没有MCP之前的痛点问题，帮助大家理解为何需要MCP。1.客户端：每个工具暴露出来的对接方式都不一样，客户端为了去对接各类工具，需要做很多开发，比如getWeather工具是一个http服务，getLocation是一个HSF服务，并且两种入参，出参的数据结构都不一样，那这时候的对接开发成本就会很高；2.服务端：A平台Agent和B平台Agent所需要服务的约定不一致，同一个服务需要考虑客户端的约定，开发两套接口，开发成本和维护成本都较高；因此，MCP的出现约定了在AI开发领域客户端和服务端的对接规范，当然未来也许会有更好用的协议也会替代MCP成为一种新的规范。
本文深入解析了如何通过 CursorRules 对 AI 编程助手进行精细化管理，使其更好地适应项目需求与团队规范。从基础概念到高级技巧，文章全面介绍了 CursorRules 的结构、配置方法及最佳实践，并探讨了其在提升代码质量、协作效率以及个性化体验方面的巨大价值。无论你是初学者还是进阶用户，都能从中找到“调教”AI 助手的实用指南和灵感。
MCP的关键两步：模型如何智能选择工具和工具执行与结果反馈机制。在选择工具时，模型是通过 prompt 来确定当前有哪些工具。我们通过将工具的具体使用描述以文本的形式传递给模型，供模型了解有哪些工具以及结合实时情况进行选择，这一步会消耗大量token，所以我们选择了本地部署的小尺寸的Qwen3-0.6b，不仅节约了token，还加速了工具选择。承接上一步，我们把 system prompt（指令与工具调用描述）和用户消息一起发送给模型，然后接收模型的回复。当模型分析用户请求后，它会决定是否需要调用工具：无需工具时：模型直接生成自然语言回复；需要工具时：模型输出结构化 JSON 格式的工具调用请求。在这一步，为了输出效果的稳定性，我们选择了Qwen3-235b-a22b，并且经过测试，Qwen3-235b-a22b提供了与Deepseek-R1相同的能力。Qwen3-0.6b+Qwen3-235b-a22b的使用，不仅保证了结果的稳定性，加速了tool选择，同时在有大量描述的tool的场景下大大节省了token数，真正做到了“多快好省”。
本文介绍了“自营质量技术AI智能体”的实践与思考，探讨了如何通过AI技术解决自营领域业务链路复杂、场景繁多带来的技术痛点。文章详细阐述了AI智能体的整体架构设计、核心能力（如工具调度、数据查找、链路诊断等）、具体实施方案及其应用效果，并展望了未来在AI赋能质量技术领域的规划与发展方向。
可观测近年来已经成为一个关键概念，它不仅仅局限于监控，还包括了日志记录、指标收集、分布式追踪等技术手段，旨在帮助团队更好地理解系统运行状况、快速定位问题以及优化性能。可观测2.0融合 MCP，可以让用户更好地感知系统、分析问题——用自然语言开启与系统的对话！本文将分享6个设计 MCP Server 的亲身实践，帮助大家更好地融合与使用。
