精选 AI 资讯 · AI 热点

6月25日

06:22

06:22

Ate-a-Pi@svpino

精选

Lena开源了一个RAG助手，用于导航航空公司政策，包含完整源代码和视频讲解。该应用使用LangChain构建检索管道，LangGraph管理对话状态，通过pgvector在Postgres中存储嵌入。项目还使用Terraform部署基础设施，索引文档以将答案锚定在源文本上。开发者可以从中学习具体的工程决策和实现细节。

技巧 LangChain LangGraph pgvector RAG 开源项目

推荐理由：Lena把整个RAG应用的源码和讲解视频都开源了，用LangChain+LangGraph搭建，还用了pgvector和Terraform，想学RAG实战的可以直接拿走。

6月21日

04:23

04:23

Harrison Chase@hwchase17

精选

Leve是一个文件系统优先的持久智能体框架，基于LangGraph构建。用户将智能体定义为文件目录结构，Leve编译该目录并运行智能体。该框架灵感来自Vercel的Eve项目，由@jit_infinity开发。

AI产品 Leve LangGraph 智能体框架文件系统

推荐理由：用目录描述智能体，Leve让LangGraph更直观。文件系统优先，持久运行，灵感来自Vercel的Eve。

6月20日

23:06

23:06

shao__meng@shao__meng

精选

LangChain官方认证大使@zhanghaili0610（也是「LangChain实战」「LangGraph实战」作者）开源了教程「Deep Agents 实战」。教程围绕Agent开发的“三层架构”：Runtime（LangGraph）、Framework（LangChain）、Harness（Deep Agents）。核心是“上下文工程”，Deep Agents引入虚拟文件系统（read_file/write_file等6大工具），支持任务规划（write_todos）、子Agent委派（异步并行）和Skills复用（兼容30+工具）。教程共8章加2准备篇，涵盖环境搭建、核心机制到进阶记忆。

技巧 Deep Agents LangChain LangGraph zhanghaili0610 智能体

推荐理由：Harry Zhang出了第三本实战教程，手把手教你怎么用LangChain和LangGraph搭Deep Agents，虚拟文件系统和Skills复用这些干货很实用。

6月16日

14:11

14:11

Harrison Chase@hwchase17

精选

开发者 Saurabh 强调，Agent 必须有可观测性。他用 LangGraph 做编排，LangSmith 做追踪、评估和回归测试。如果无法解释 Agent 为何给出某个回答，那就只是 demo 而非架构。他建议通过 tracing 捕获 prompt 和工具调用的全部上下文。

技巧 LangGraph LangSmith Agent 可观测性智能体

推荐理由：如果你在用 LangGraph 做 agent，这招能帮你从 demo 变成可交付的系统——关键是 LangSmith 的 trace 和 eval。

6月12日

10:12

10:12

shao__meng@shao__meng

精选

Re-Ink 是 LandingAI 金融 AI Hackathon 冠军项目，针对再保险承保流程中文档处理耗时严重的痛点，构建了从 PDF/DOCX 条约文档到可审核合同记录的端到端自动化方案。行业数据显示，再保险承保人约 40% 时间用于行政工作，手动提取错误率超 6%，运营预算中约 14% 用于修复此类错误。Re-Ink 使用 LandingAI 的 Agentic Document Extraction (ADE) 作为文档智能核心，结合 FastAPI + React + PostgreSQL + LangGraph 栈，实现上下文感知的字段提取，无需正则或模板。关键设计是人机协同闭环：提取后人工审核，所有数据在 reviewer 确认前不持久化，审批后以单事务创建记录，任何校验失败均回滚。项目还包含两个 LangGraph Agent 用于入库前引导和审批后分析，支持 offline 模式便于自动化测试。

AI产品再保险文档提取人机协同 LandingAI LangGraph

推荐理由：再保险行业的文档处理痛点被量化到 40% 时间浪费和 14% 预算浪费，做保险科技或金融文档自动化的团队可以直接参考这个端到端方案，尤其是人机协同闭环的设计思路值得借鉴。

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

6月2日

10:44

10:44

官方账号LangChain@LangChainAI

精选

LangChain 推出了 Managed Deep Agents，这是一个托管式深度智能体服务，旨在简化复杂 AI 工作流的构建与部署。该服务基于 LangGraph 框架，支持多步骤推理、工具调用和状态管理，开发者无需自行管理基础设施。Managed Deep Agents 降低了构建高级智能体的门槛，适合需要快速集成 AI 自动化的团队。目前该服务处于早期阶段，LangChain 提供了详细文档和示例。

AI产品智能体 LangChain 托管服务 LangGraph 自动化

推荐理由：LangChain 把深度智能体的部署复杂度打包成了托管服务，做 AI 工作流的团队可以直接用，省去自己搭基础设施的麻烦。

6月1日

00:09

AITOP6月1日 00:09

OpenAI 发起“Codex for Open Source”：免费赠送 6 个月 Pro 订阅，开源维护者能否迎来 AI 变革？

5月29日

08:02

AITOP5月29日 08:02

Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？🔥Anthropic 把 AI 编程的“确认键”彻底删掉了！Claude Code 搭载全新 Opus 4.8 模型，长时间任务不跑偏、不废话、不中断，像一个资深工程师一样默默干活，从功能开发到漏洞清扫全包圆，你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”，现在它直接交完整交付物……自主编程的最后一层窗户纸，被捅破了。做自动化开发和代码审查的团队，这个模型建议直接上手，效率差距肉眼可见……

Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？

5月28日

10:08

10:08

官方账号LangChain@LangChainAI

精选

Lyft 利用 LangGraph 和 LangSmith 将智能体开发周期从 6 个月缩短至数周，同时幻觉率降低 20%，AI 解决率提升 16%。这表明 LangChain 的工具链在加速企业级 AI 智能体落地方面效果显著。对于正在构建或优化 AI 客服、自动化流程的团队，这是一个值得参考的案例。

AI产品智能体 LangGraph LangSmith Lyft 开发效率

推荐理由：Lyft 的实践证明了 LangGraph 和 LangSmith 能大幅缩短智能体开发周期并提升质量，做 AI 客服或自动化流程的团队可以直接借鉴，建议点开看看具体怎么做到的。

5月20日

10:29

10:29

官方账号arXiv cs.AI@Gioele Molinari, Florian Felten, Soheyl Massoudi, Mark Fuge

精选72°

EngiAI 是一个针对大型语言模型（LLM）在工程设计任务中应用的多智能体框架与基准套件。该基准包含三个评估维度：工作流基准（7种提示风格，涵盖直接工具使用、语义消歧、条件分支等）、检索增强生成（RAG）基准（通过门控评分隔离检索对参数选择的贡献）以及高性能计算（HPC）基准（评估SLURM集群上的端到端ML训练编排）。EngiAI 参考实现基于LangGraph，通过监督架构协调7个专业智能体，统一拓扑优化、文档检索、HPC作业编排和3D打印机控制。在Beams2D问题上，专有模型平均任务完成率达96-97%，而开源4B参数模型为55-78%，条件分支任务最具挑战性（Photonics2D上完成率降至20-53%）。RAG门控验证了检索增强评分接近完美（≈1.0），而无检索时接近零，HPC编排中一个模型100%完成所有步骤，另一个仅50%，揭示了多步骤指令遵循在长工作流中会退化。

论文多智能体系统工程设计基准测试 LangGraph RAG

推荐理由：做工程设计自动化或LLM多智能体系统的开发者，这个基准能帮你精准定位模型在条件分支、RAG和HPC编排上的短板，建议直接参考EngiAI框架来测试自己的方案。