被问爆的Agent实战：从0到1搭建可落地AI智能体

Ne0inhk

— 23 min read
被问爆的Agent实战：从0到1搭建可落地AI智能体
在这里插入图片描述
🎁个人主页：User_芊芊君子
🎉欢迎大家点赞👍评论📝收藏⭐文章
🔍系列专栏：AI
在这里插入图片描述


在这里插入图片描述


文章目录：

【前言】

2026年，AI Agent彻底走出概念炒作，成为企业降本增效、开发者提升竞争力的核心工具——从自动处理邮件、生成数据分析报表，到多智能体协同完成复杂项目，Agent正在重塑AI应用开发范式。后台每天都有粉丝问：“新手怎么入门Agent？”“有没有可直接落地的实战案例？”“六大主流框架该怎么选？” 今天这篇，从基础认知到代码实战，从框架选型到避坑指南，手把手教你搭建第一个可落地的AI智能体，全程干货无废话，新手也能轻松跟上，收藏这一篇就够了！
在这里插入图片描述

一、先搞懂：2026年爆火的AI Agent，到底是什么？

很多新手容易把Agent和传统AI应用搞混，其实核心区别就一个：传统AI是“被动执行指令”，Agent是“主动完成任务”。

举个直观的对比：

传统AI：你说“帮我分析这组销售数据”，它只会返回数据分析结果，不会主动询问数据来源、补充缺失维度；AI Agent：你说“帮我分析这组销售数据”，它会主动询问“数据文件在哪里？需要重点分析哪个维度？是否需要生成可视化报表？”，甚至会自动调用工具处理数据、生成图表，全程无需你额外操作。

1.1 Agent的核心定义

AI Agent（智能体）是一个基于大模型，具备「感知-规划-行动-记忆」闭环能力的智能系统，能自主理解用户需求、拆解复杂任务、调用外部工具、积累经验，最终独立完成目标，本质是“大模型+工具+工作流”的组合体，也是实现“通用人工智能”的关键载体。

1.2 Agent的4大核心能力

这是区分“伪Agent”和“真Agent”的关键，也是搭建可落地Agent的核心基础，结合2026年最新技术趋势，整理如下：

核心能力通俗解释落地场景举例关键技术支撑
自主规划将复杂任务拆解为可执行的子任务，制定执行策略安排团队会议（拆解为协调时间、发邀请、备资料）思维链（CoT）、任务拆解算法
工具调用自主选择、调用外部工具（API、数据库、插件等）数据分析Agent调用Excel、Python脚本处理数据Function Calling、工具注册机制
记忆能力存储短期上下文和长期经验，支持多轮交互客服Agent记住用户历史咨询，无需重复说明向量数据库（Chroma）、RAG检索增强
自主决策根据任务进展和反馈，动态调整执行策略邮件Agent发现收件人未回复，自动发送提醒强化学习、反馈机制

1.3 2026年Agent的3个热门落地场景

新手不用追求“大而全”，优先选择低门槛、高复用的场景，快速实现从0到1的突破，这3个场景目前需求最旺、落地难度最低：

  1. 办公自动化Agent：自动处理邮件、生成会议纪要、整理文档（无需复杂开发，依托低代码框架即可实现）；
  2. 数据分析Agent：连接数据库，自动查询数据、生成分析报表、识别异常数据（适合程序员、数据分析师）；
  3. 客服辅助Agent：自动回复常见咨询、提取用户需求、转接复杂问题（企业刚需，易落地变现）。

二、框架选型：2026年6大主流Agent框架，新手该怎么选？

新手搭建Agent，最容易踩的坑就是“盲目跟风选框架”——有的框架适合低代码快速上手，有的适合深度定制，有的擅长多Agent协作。结合2026年最新技术生态，整理了6大主流框架的横向对比，帮你快速选型，避免走弯路（重点看“新手友好度”和“适用场景”）：

框架名称开发难度新手友好度核心优势多Agent协作能力适用场景代表企业/支持方
Coze（扣子）低（零代码/低代码）★★★★★可视化拖拽、内置60+插件、支持私有化部署中等（需手动编排工作流）快速搭建聊天机器人、办公自动化字节跳动
Dify低-中（可视化+轻度编码）★★★★☆开源、企业级支持、内置知识库功能中等（复杂协作需手动配置）企业知识库、客服助手阿里巴巴（支持）
n8n低-中（可视化+半编码）★★★★☆集成400+外部API、工作流自动化能力强中等（AI功能相对基础）跨平台工作流、轻量级AI应用开源社区
LangChain中-高（需编码）★★★☆☆生态完善、工具丰富、可深度定制高（支持多Agent联动）复杂定制化Agent、数据分析场景开源社区（最主流）
AutoGen中-高（需编码）★★★☆☆微软开发、多Agent对话协作能力强★★★★★多Agent协同任务（如代码审核、项目管理）微软
CrewAI中-高（需编码）★★★☆☆专注多Agent角色分工、任务委托★★★★★复杂协同场景（如市场调研、内容创作）开源社区
新手重点推荐：优先选 Coze（零代码，快速出原型）或 Dify（开源，可轻度定制）；如果有Python基础，想做深度开发，直接选 LangChain（生态最完善，资料最多）。本文实战案例将采用「LangChain + OpenAI GPT-4 + Chroma」组合，兼顾入门难度和落地性。

三、实战环节：从0到1搭建可落地的“邮件处理Agent”（全程代码+步骤）

在这里插入图片描述

本次实战目标：搭建一个能自动读取邮箱、起草回复、发送邮件、保存草稿的AI智能体，无需人工干预，可直接部署使用。技术栈选择：Python 3.10+、LangChain、OpenAI GPT-4、Chroma（记忆模块），难度适中，新手跟着步骤走就能实现。

3.1 实战准备：环境搭建（10分钟搞定）

先完成环境配置，确保所有依赖包正常安装，步骤如下：

3.1.1 安装Python环境

下载Python 3.10+版本（推荐3.11），安装时勾选“Add Python to PATH”，安装完成后打开终端，输入以下命令验证：

python --version# 输出Python 3.11.x 即为成功 pip --version# 输出pip版本即可
3.1.2 创建虚拟环境（避免依赖冲突）
# 创建虚拟环境 python -m venv agent-env # 激活虚拟环境（Windows） agent-env\Scripts\activate # 激活虚拟环境（Mac/Linux）source agent-env/bin/activate
3.1.3 安装核心依赖包

复制以下命令，一次性安装所有需要的依赖（包含LangChain、OpenAI、Chroma等）：

pip install langchain openai chromadb python-dotenv smtplib email
3.1.4 配置API密钥
在这里插入图片描述
  1. 前往 OpenAI官网，注册账号并获取API Key（需要绑定银行卡，新手有免费额度）；
  2. 在项目根目录下创建 .env 文件，写入以下内容（替换为你的API Key）：
OPENAI_API_KEY=your_api_key_here # 替换成你的OpenAI API Key

3.2 架构设计：邮件处理Agent的核心流程

在写代码前，先理清Agent的工作流程，避免盲目编码。本次搭建的邮件处理Agent，核心分为4个模块，形成“感知-规划-行动-记忆”的闭环，流程图如下：

读取邮件

分析内容

起草回复

发送/保存

用户输入指令

Agent接收指令，解析意图

规划模块：拆解任务（读取邮件→分析内容→起草回复→发送/保存）

工具模块：调用对应工具执行子任务

调用邮箱工具，获取收件箱邮件

调用大模型，分析邮件核心需求

调用大模型，生成回复内容

调用邮件工具，发送邮件或保存草稿

记忆模块：存储邮件内容、回复记录（Chroma）

反馈结果给用户，任务完成

核心模块说明：

  • 规划模块：由LangChain的AgentExecutor实现，负责拆解任务、调度工具；
  • 工具模块：自定义邮件读取、发送、草稿保存3个工具；
  • 记忆模块：由Chroma向量数据库实现，存储邮件内容和回复记录，支持后续查询；
  • 大模型：使用OpenAI GPT-4，负责意图解析、内容生成和决策。

3.3 代码实现：分模块编写（可直接复制运行）

项目结构如下（新手可直接按此创建文件）：

email-agent/ # 项目根目录 ├── .env # API密钥配置 ├── tools.py # 工具定义（邮件读取、发送、草稿保存） ├── memory.py # 记忆模块（Chroma配置） ├── agent.py # Agent核心逻辑 └── main.py # 入口文件（运行Agent）
3.3.1 工具模块：tools.py（核心工具定义）

定义3个核心工具，供Agent自主调用，代码注释详细，新手可直接复制，无需修改：

from langchain.tools import tool from typing import List import smtplib from email.mime.text import MIMEText # 工具1：读取邮箱邮件（简化实现，实际可连接IMAP服务器）@tooldefread_emails(folder:str="inbox")-> List[dict]:""" 读取邮箱中的邮件，用于获取用户的邮件内容 Args: folder: 邮箱文件夹名称（默认inbox，可选sent、draft） Returns: 邮件列表，每封邮件包含id、subject（主题）、from（发件人）、body（正文） """# 实际场景中，需连接IMAP服务器（如QQ邮箱、企业邮箱），这里用模拟数据演示 mock_emails =[{"id":"001","subject":"关于项目进度的询问","from":"[email protected]","body":"你好，请问我们合作的项目什么时候能完成？目前进度如何？请尽快回复，谢谢！"},{"id":"002","subject":"技术方案讨论邀请","from":"[email protected]","body":"我们计划明天下午3点召开技术方案讨论会，请你准备好相关资料，准时参加。"}]print(f"✅ 已读取{folder}文件夹中的邮件，共{len(mock_emails)}封")return mock_emails # 工具2：发送邮件（简化实现，实际可连接SMTP服务器）@tooldefsend_email(to:str, subject:str, body:str)->str:""" 发送邮件给指定收件人 Args: to: 收件人邮箱地址（如[email protected]） subject: 邮件主题 body: 邮件正文 Returns: 发送结果（成功/失败提示） """# 实际场景中，需配置SMTP服务器（如QQ邮箱SMTP：smtp.qq.com，端口465）# 这里简化处理，模拟发送流程print(f"\n📧 正在发送邮件：")print(f"收件人：{to}")print(f"主题：{subject}")print(f"正文：\n{body}\n")returnf"✅ 邮件已成功发送到 {to}"# 工具3：起草邮件回复（保存草稿）@tooldefdraft_reply(email_id:str, content:str)->str:""" 起草邮件回复，并保存为草稿 Args: email_id: 原邮件的ID（对应read_emails返回的id） content: 回复的正文内容 Returns: 草稿保存结果 """# 实际场景中，可将草稿保存到邮箱草稿箱，这里简化处理print(f"\n📝 正在保存回复草稿：")print(f"回复邮件ID：{email_id}")print(f"草稿内容：\n{content}\n")returnf"✅ 回复草稿已保存，对应原邮件ID：{email_id}"# 工具列表：将所有工具整理成列表，供Agent调用 tools =[read_emails, send_email, draft_reply]
3.3.2 记忆模块：memory.py（Chroma配置）

配置Chroma向量数据库，实现短期记忆和长期记忆的存储，代码如下：

from langchain.vectorstores import Chroma from langchain.embeddings.openai import OpenAIEmbeddings from langchain.memory import VectorStoreRetrieverMemory # 初始化OpenAI嵌入模型（用于将文本转换为向量） embeddings = OpenAIEmbeddings()# 初始化Chroma向量数据库（存储记忆数据，持久化到本地） vector_store = Chroma( embedding_function=embeddings, persist_directory="./chroma_memory",# 记忆数据存储路径 collection_name="email_agent_memory"# 集合名称) vector_store.persist()# 持久化数据，避免程序退出后丢失# 初始化记忆检索器（用于Agent查询记忆） retriever = vector_store.as_retriever( search_kwargs={"k":3}# 每次查询返回3条最相关的记忆)# 初始化Agent记忆模块 memory = VectorStoreRetrieverMemory( retriever=retriever, memory_key="chat_history",# 记忆的键名，供Agent调用 input_key="input",# 输入的键名 output_key="output"# 输出的键名)# 测试记忆模块（可选）deftest_memory():# 存入一条记忆 memory.save_context( inputs={"input":"用户询问项目进度"}, outputs={"output":"项目目前完成80%，预计3天后交付"})# 查询记忆 result = memory.load_memory_variables({"input":"用户之前问过什么？"})print("📖 记忆查询结果：", result)# 运行测试（注释掉可避免运行入口文件时触发）# test_memory()
3.3.3 Agent核心逻辑：agent.py（调度中心）

整合规划、工具、记忆模块，创建Agent，实现自主决策和任务执行：

from langchain.agents import AgentExecutor, create_openai_tools_agent from langchain_openai import ChatOpenAI from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder from tools import tools from memory import memory from dotenv import load_dotenv import os # 加载.env文件中的API密钥 load_dotenv()# 初始化大模型（GPT-4，推理能力更强，适合复杂决策） llm = ChatOpenAI( model="gpt-4", temperature=0.3,# 温度越低，决策越稳定，避免乱调用工具 api_key=os.getenv("OPENAI_API_KEY"))# 定义Agent提示词（核心！告诉Agent它的角色、能力和工作规则） prompt = ChatPromptTemplate.from_messages([("system","""你是一个专业的邮件处理AI智能体，你的核心任务是帮助用户自动处理邮箱相关任务，包括读取邮件、起草回复、发送邮件和保存草稿。 工作规则： 1. 先明确用户的核心需求，再规划执行步骤，不要盲目调用工具； 2. 调用工具前，确认工具的参数是否正确（如发送邮件需要收件人、主题、正文）； 3. 读取邮件后，先分析邮件的核心内容和发件人需求，再决定是否需要回复、发送或保存草稿； 4. 每次执行完一个子任务，都要检查是否完成了用户的最终需求，若未完成，继续执行下一个子任务； 5. 利用记忆模块，记住之前处理过的邮件内容和回复记录，避免重复操作； 6. 若遇到不确定的情况（如缺少收件人邮箱），不要随意猜测，及时反馈给用户。"""), MessagesPlaceholder(variable_name="chat_history"),# 记忆模块的上下文("user","{input}"),# 用户输入 MessagesPlaceholder(variable_name="agent_scratchpad")# Agent的思考过程])# 创建Agent（基于OpenAI工具调用能力） agent = create_openai_tools_agent( llm=llm, tools=tools, prompt=prompt )# 创建Agent执行器（负责调度Agent、工具和记忆） agent_executor = AgentExecutor( agent=agent, tools=tools, memory=memory, verbose=True,# 开启详细日志，便于调试（新手建议开启） handle_parsing_errors=True# 自动处理解析错误)# 定义Agent运行函数（供入口文件调用）defrun_email_agent(user_input:str):try:print(f"\n📋 用户指令：{user_input}")print("🚀 Agent开始执行任务...\n") result = agent_executor.invoke({"input": user_input})print(f"\n✅ 任务执行完成！")print(f"📄 执行结果：{result['output']}")return result except Exception as e:print(f"\n❌ 任务执行失败：{str(e)}")return{"output":f"任务执行失败，请检查配置：{str(e)}"}
3.3.4 入口文件：main.py（运行Agent）

简单的入口函数，运行后输入指令，即可让Agent自动处理邮件任务：

from agent import run_email_agent if __name__ =="__main__":print("🎉 邮件处理AI智能体已启动！")print("💡 请输入你的指令（例如：读取收件箱邮件，回复id为001的邮件，告诉对方项目进度80%，3天后交付）")print("❌ 输入'退出'即可结束程序\n")whileTrue: user_input =input("你：")if user_input =="退出":print("👋 程序已结束，再见！")break# 运行Agent run_email_agent(user_input)

3.4 运行测试：验证Agent功能（新手必看）

所有代码编写完成后，执行以下步骤运行Agent：

  1. 打开终端，激活虚拟环境（参考3.1.2）；
  2. 进入项目根目录，输入命令：python main.py；
  3. 当出现“请输入你的指令”时，输入测试指令，例如：
    读取收件箱邮件，回复id为001的邮件，告诉对方项目目前完成80%，预计3天后交付，然后发送邮件

预期运行效果（日志示例）：

🎉 邮件处理AI智能体已启动！ 💡 请输入你的指令（例如：读取收件箱邮件，回复id为001的邮件，告诉对方项目进度80%，3天后交付） ❌ 输入'退出'即可结束程序 你：读取收件箱邮件，回复id为001的邮件，告诉对方项目目前完成80%，预计3天后交付，然后发送邮件 📋 用户指令：读取收件箱邮件，回复id为001的邮件，告诉对方项目目前完成80%，预计3天后交付，然后发送邮件 🚀 Agent开始执行任务... > Entering new AgentExecutor chain... 我需要先读取收件箱的邮件，找到id为001的邮件，然后起草回复，最后发送邮件。首先调用read_emails工具读取收件箱邮件。 Tool调用: read_emails Tool输入: {"folder":"inbox"} ✅ 已读取inbox文件夹中的邮件，共2封 Tool返回: [{'id':'001', 'subject':'关于项目进度的询问', 'from':'[email protected]', 'body':'你好，请问我们合作的项目什么时候能完成？目前进度如何？请尽快回复，谢谢！'}, {'id':'002', 'subject':'技术方案讨论邀请', 'from':'[email protected]', 'body':'我们计划明天下午3点召开技术方案讨论会，请你准备好相关资料，准时参加。'}] 现在找到了id为001的邮件，发件人是[email protected]，需求是询问项目进度。接下来需要起草回复，调用draft_reply工具，然后发送邮件。 Tool调用: draft_reply Tool输入: {"email_id":"001","content":"你好，感谢你的询问！目前项目已完成80%，预计3天后即可交付，后续有任何问题请随时联系我。"} 📝 正在保存回复草稿： 回复邮件ID：001 草稿内容： 你好，感谢你的询问！目前项目已完成80%，预计3天后即可交付，后续有任何问题请随时联系我。 Tool返回: ✅ 回复草稿已保存，对应原邮件ID：001 草稿已保存，接下来需要发送邮件，收件人是[email protected]，主题和正文使用起草的内容。 Tool调用: send_email Tool输入: {"to":"[email protected]","subject":"Re: 关于项目进度的询问","body":"你好，感谢你的询问！目前项目已完成80%，预计3天后即可交付，后续有任何问题请随时联系我。"} 📧 正在发送邮件： 收件人：[email protected] 主题：Re: 关于项目进度的询问 正文： 你好，感谢你的询问！目前项目已完成80%，预计3天后即可交付，后续有任何问题请随时联系我。 Tool返回: ✅ 邮件已成功发送到 [email protected] 所有任务已完成：读取了收件箱邮件，回复了id为001的邮件并发送成功。 > Finished chain. ✅ 任务执行完成！ 📄 执行结果：已成功读取收件箱邮件，找到id为001的邮件（主题：关于项目进度的询问），起草并保存了回复草稿，随后将回复邮件发送至发件人[email protected]，任务全部完成。

四、避坑指南：新手搭建Agent最容易踩的5个坑

结合大量新手反馈和2026年技术趋势，整理了5个高频坑，避开这些，能让你少走90%的弯路：

坑1：盲目追求“多Agent协作”，忽略单Agent落地

新手一上来就想搭建多Agent协同系统（如AutoGen、CrewAI），但缺乏基础的工具调用和任务规划能力，导致项目半途而废。建议先搞定单Agent落地（如本文的邮件处理Agent），再逐步学习多Agent协作。

在这里插入图片描述

坑2：选错框架，要么太复杂，要么功能不足

新手不看自身基础，盲目跟风用LangChain（需编码），导致无从下手；或只用Coze（零代码），想做深度定制时发现功能不足。正确做法：零代码新手选Coze，有Python基础选LangChain，企业级需求选Dify。

在这里插入图片描述

坑3：不重视提示词（Prompt），Agent“乱决策”

很多新手直接用默认提示词，导致Agent盲目调用工具、决策混乱。正确做法：参考本文3.3.3的提示词，明确Agent的角色、工作规则和约束条件，温度（temperature）设置为0.2-0.5，降低决策随机性。

在这里插入图片描述

坑4：忽略记忆模块，Agent“记不住事”

不配置记忆模块（如Chroma），导致Agent每次交互都是“全新开始”，无法记住之前的邮件内容、回复记录，不符合“智能体”的核心特征。新手可优先用Chroma（轻量级、易上手），无需复杂配置。

在这里插入图片描述

坑5：直接用真实数据测试，导致风险

新手直接用真实邮箱、真实数据测试Agent，一旦Agent调用工具出错（如误发邮件），会造成不必要的麻烦。正确做法：先用水印数据、模拟数据测试（如本文的mock_emails），测试稳定后再替换为真实数据。

在这里插入图片描述

五、2026年Agent学习路线（新手进阶指南）

搭建完第一个Agent后，可按以下路线进阶，逐步成为Agent开发高手，贴合2026年技术趋势：

基础阶段（1-2周）：熟练掌握本文的实战案例，理解Agent的四大核心模块，能独立修改工具和提示词；进阶阶段（2-4周）：学习多Agent协作（如用AutoGen搭建多Agent团队），掌握RAG检索增强技术，优化记忆模块；高级阶段（1-2个月）：学习Agent的部署优化（Docker容器化）、监控告警，结合企业场景做定制化开发（如客服Agent、数据分析Agent）；实战阶段（长期）：参与开源Agent项目（如Dify、Coze），积累真实落地案例，尝试将Agent与企业现有系统集成（如ERP、CRM）。

结尾：Agent的核心不是“技术炫技”，而是“落地解决问题”

2026年，AI Agent的风口已来，但新手不必焦虑——搭建可落地的Agent，不需要掌握所有技术，先从一个简单的场景（如邮件处理、文档整理）入手，逐步积累经验，才能快速成长。

本文的实战案例可直接复制运行，新手可根据自身需求修改工具（如替换为真实邮箱连接、增加新的工具），实现个性化落地。如果在搭建过程中遇到问题，欢迎在评论区留言，我会逐一回复！

最后，整理了本文的核心代码、框架选型文档、Agent学习资料，关注我，后台回复“Agent实战”，即可免费领取！

在这里插入图片描述

Read more

Web Worker：让前端飞起来的隐形引擎

Web Worker：让前端飞起来的隐形引擎

目录 Web Worker：让前端飞起来的隐形引擎 一、什么是 Web Worker？ 1、为什么需要 web worker 2、什么是 web worker 二、基本使用方法 1、创建一个 Worker 文件（worker.js） 2、主线程引入并使用 三、实战案例：在前端处理大批量数据 1、Worker 文件（sortWorker.js） 2、主线程调用 四、Vue3 中如何优雅使用 Web Worker 1、新建 Worker 文件（worker.js） 2、在 Vue3

By Ne0inhk
前端与 Spring Boot 后端无感 Token 刷新 - 从原理到全栈实践

前端与 Spring Boot 后端无感 Token 刷新 - 从原理到全栈实践

🌷 古之立大事者，不惟有超世之才，亦必有坚忍不拔之志 🎐 个人CSND主页——Micro麦可乐的博客 🐥《Docker实操教程》专栏以最新的Centos版本为基础进行Docker实操教程，入门到实战 🌺《RabbitMQ》专栏19年编写主要介绍使用JAVA开发RabbitMQ的系列教程，从基础知识到项目实战 🌸《设计模式》专栏以实际的生活场景为案例进行讲解，让大家对设计模式有一个更清晰的理解 🌛《开源项目》本专栏主要介绍目前热门的开源项目，带大家快速了解并轻松上手使用 🍎 《前端技术》专栏以实战为主介绍日常开发中前端应用的一些功能以及技巧，均附有完整的代码示例 ✨《开发技巧》本专栏包含了各种系统的设计原理以及注意事项，并分享一些日常开发的功能小技巧 💕《Jenkins实战》专栏主要介绍Jenkins+Docker的实战教程，让你快速掌握项目CI/CD，是2024年最新的实战教程 🌞《Spring Boot》专栏主要介绍我们日常工作项目中经常应用到的功能以及技巧，代码样例完整 👍《Spring Security》专栏中我们将逐步深入Spring Security的各个

By Ne0inhk

Qwen3-VL-WEBUI技术整合：与RAG系统协同工作教程

Qwen3-VL-WEBUI技术整合：与RAG系统协同工作教程 1. 引言 随着多模态大模型的快速发展，视觉-语言理解能力已成为AI应用落地的关键一环。阿里云推出的 Qwen3-VL 系列模型，作为迄今为止Qwen系列中最强大的视觉-语言模型（Vision-Language Model, VLM），在文本生成、图像理解、视频分析和代理交互等方面实现了全面升级。 本文将聚焦于开源项目 Qwen3-VL-WEBUI ——一个专为Qwen3-VL设计的本地化Web交互界面，并深入讲解如何将其与 RAG（Retrieval-Augmented Generation）系统 进行深度整合，构建具备“看图说话+知识检索+智能推理”三位一体能力的下一代AI应用。 该WEBUI内置了 Qwen3-VL-4B-Instruct 模型，支持图像上传、对话交互、工具调用等核心功能，开箱即用，适合快速原型开发与工程集成。 通过本教程，你将掌握： - 如何部署并运行 Qwen3-VL-WEBUI - RAG系统的基本架构与选型建议 - 实现图文混合输入下的动态知识增强机制 - 构建可扩展的多模态问答系

By Ne0inhk
【Java Web学习 | 第15篇】jQuery（万字长文警告）

【Java Web学习 | 第15篇】jQuery（万字长文警告）

🌈个人主页: Hygge_Code🔥热门专栏:从0开始学习Java | Linux学习| 计算机网络💫个人格言: “既然选择了远方，便不顾风雨兼程” 文章目录 * 从零开始学 jQuery * jQuery 核心知识🥝 * 一、jQuery 简介：为什么选择它？ * 1. 核心用途 * 2. 核心优势 * 3. 下载与引入 * 二、jQuery 语法：基础与选择器 * 1. 常用选择器 * 2. ready 方法：确保文档加载完成 * 三、DOM 元素操作：内容、属性、样式 * 1. 操作元素内容 * 2. 操作元素属性 * 3. 操作元素样式 * （1）操作宽度与高度 * （2）

By Ne0inhk