Erishen

用 React Three Fiber 打造会对话的 3D 数字人：架构与部署的真实踩坑记录 把一个 LLM 接进 3D 场景，让一个 VRM 虚拟角色能听懂你说话、开口回应、眼神还跟着你转——这个想法挺酷，但真做起来会撞上一连串工程问题：Key 不能进前端、Serverless 函数有 10 秒硬上限、R3F 的 C…阅读全文 →

本地优先的 AI 通讯录助手：把大模型请进地址簿，数据却不离家 第一章 痛点：通讯录里最缺的不是存储，是"上下文" 每个人的手机里都有一份通讯录：几百个名字、号码、归属地。它能帮你拨号、发短信，却帮不了你一件更日常的事——知道该怎么跟某个人开口。 久未联系的老同事，过节该用什么样的语气？ 一个只存了名字的客户，邀约时该…阅读全文 →

引言：AI 代理的信任悖论 AI 代理有一个根本问题：LLM 自己生成输出，又自己判断"做完了"——这就像让学生自己出题自己批改。 主流桌面 AI 代理的解法是：让同一个 Agent 负责拆解、执行、判断完成，在关键动作前弹出确认让用户 approve 或 reject。这个模型简洁、直觉、有效——对于文档撰写、日程管…阅读全文 →

引言：多智能体的"幻觉困境" 你有没有遇到过这样的场景：让多智能体系统根据候选人简历为目标岗位定制一份简历，结果生成的内容里出现了候选人从未在真实简历中提过的公司名、项目细节，甚至是编造的任职时间？ 这不是你的错——这是大语言模型的"天性"。当 LLM 被要求"创造"内容时，它倾向于用训练数据中的模式来填补信息空白，哪…阅读全文 →

为什么需要显式的状态机？ 多 Agent 框架有两种哲学：隐式流程（Agent 自由编排）和显式状态机（每一步的状态流转可观察、可调试、可控制）。 CrewAI 的 sequential 流程属于前者——Agent 按顺序执行，但你无法在运行时查看中间状态、无法在某个节点插入自定义逻辑、更无法精确控制重试路径。当任务变…阅读全文 →

多 Agent 系统的信任危机 你有没有遇到过这种情况：让一个 LLM 审核另一个 LLM 的输出？ 假设你搭建了一个三角色文章生成管道：Planner 负责规划结构，Specialist 负责撰写内容，Evaluator 负责审核质量。听起来很完美，对吧？但当你仔细审视 Evaluator 的工作时，会发现一个根本性…阅读全文 →

从单一检索到混合策略 在传统 RAG 系统中，检索环节通常依赖向量相似度搜索。这种方式擅长捕捉语义相似性，但当用户查询包含精确术语、专有名词或特定格式时，纯语义检索往往会失效。 你有没有遇到过这样的场景：查询"IRR 计算公式"，系统却返回了大量讨论"投资回报率概念"的文档，而真正包含公式细节的文档反而被排在后面？这是…阅读全文 →

一、引言 Agentic Souls 是一个基于文档驱动的 AI 软件开发工作流系统，它通过定义 Planner（规划者）、Evaluator（评审官）和 Specialist（实施者）三个核心角色，利用结构化的 Markdown 文件作为状态机和控制流，实现高质量的软件交付。 二、核心设计 2.1 设计决策 1：Ma…阅读全文 →

一、引言 autogen-pse 是一个基于 Microsoft AutoGen 构建的 Planner-Specialist-Evaluator（PSE） 三角色 Agent 协作框架。它通过顺序发言的 RoundRobinGroupChat 实现状态流转，配合 cycle 级别的循环控制与 token 优化策略，形…阅读全文 →