Agent on Chang Luo

Claude Code 自我提升计划

Sun, 10 May 2026 00:00:00 +0000

让 Claude Code 自己配置自己

GitHub 项目地址：cc-enhance

Claude Code 的能力依赖配置。如果你想收集网络信息，就需要搜索 API；如果你想做开发，就需要 agent skills 和 plugins。我们固然可以手动配置这些技能和工具，但这不符合 Coding Agent 时代的作风。

有没有一种简单的方法，为新 Claude Code 配置基础依赖呢？本文来做一些微小的尝试 ଘ(੭ˊᵕˋ)੭*

一、文档驱动安装

写了一个代码仓库 cc-enhance，里面放了我觉得重要的工具和技能。并且在仓库里面定义了标准安装步骤和用户交互流程。

用户只需要在 Claude Code 会话中输入：

请使用 https://github.com/luochang212/cc-enhance 项目增强我的 Claude Code

就会触发安装引导程序。实测安装体验非常好，因为 Claude Code 自带 TUI 交互界面，可以替代安装引导 GUI。用户可以通过 TUI 选择需要的工具和技能👇

整个过程不依赖特定安装脚本，而是根据文档的指引进行安装，我把这种安装方式称为 文档驱动安装。

这么做的好处有很多：

极度柔性：只定义安装步骤，设备差异交给 agent 处理
自带说明：用户可以让 Claude Code 说明工具或技能的用途
开发者友好：开发者只需要写安装步骤文档，不需要处理复杂的边缘情况

过去我们写 bash 来安装程序，现在我们只需要提供 Claude Code 可读的文档就可以，这种体验还蛮新奇的。说起来，bash 也只是粘合剂而已，现在 Coding Agent 变成了新的粘合剂。

二、深入理解 cc-enhance

cc-enhance 发挥作用的主要是 BOOT.md 文件，它是安装流程的组织者。通过在 README.md 里面提及它，聪明的 Coding Agent 知道去找这个文件，开启安装流程。BOOT.md 会引导 Claude Code 向用户展示可选技能。待用户选择后，获取技能对应的未安装工具列表，逐项询问用户是否安装。

在树莓派上搭建家用 Agent 服务

Sun, 18 Jan 2026 00:00:00 +0000

使用树莓派搭建 dive-into-langgraph/app 服务，在家庭局域网内部使用。

一键部署脚本：agent-server

一、制作 TF 卡

Note: 你可以参考我的这篇博客《树莓派 5 装机指南》，它写得更详细一些。但部分信息已经过时，请注意甄别。

1）下载

你需要下载两样东西：

Raspberry Pi Imager：将镜像写入 TF 卡的工具
Ubuntu 24.04.3 LTS：树莓派的 Ubuntu 镜像

Ubuntu 镜像有两种版本：桌面版、服务器版，我们下载服务器版。下载的时候可以检查一下，安装包的文件名应该是这个 ubuntu-24.04.3-preinstalled-server-arm64+raspi.img.xz

2）将镜像写入 TF 卡

根据 Raspberry Pi Imager 的指引，完成镜像烧录的过程就好了。并没有什么难的。唯一需要注意的是，由于我们已经下载了 Ubuntu 镜像，所以这里要选「使用自定义镜像」。

二、首次启动 Ubuntu

烧录完成后，按以下步骤操作：

先断电，然后将 TF 卡插入板子
连接外接显示屏、键盘、网线
最后插入电源

一般来讲，插电即可点亮。这时回车一下，即可输入账号密码，初始账密是：


账号	ubuntu
密码	ubuntu

输完账密，它会接着让你设置新密码。这里流程设计得有点人机，需要注意看提示，不然容易卡关。温馨提示：你输入 ubuntu 的次数比你想象中更多。

三、环境配置

1）更新软件包

# 更新软件源的索引列表
sudo apt update

# 根据更新后的索引，升级所有可更新的软件包
sudo apt upgrade -y

2）安装 pipx 和 uv

先安装 pipx，再用它安装 uv：

RAG：大模型时代的搜索基座

Sat, 27 Dec 2025 00:00:00 +0000

没有一条帆船能吹动自己行驶，它需要外面的风。 – 因可觅《量子离歌》

大模型的训练数据有截止日期，在此之后的事它不知道；大模型的参数量有限，无法容纳所有专业知识。也就是说，大模型在实时性和专业性上都有所欠缺。

如何让大模型变得实时且专业呢？最省力的方法是“打小抄”。知识库 就像大模型的“小抄”。在回答问题之前，先瞅一眼小抄，看有没有与问题相关的内容。如果有，就从知识库中取回这段内容，结合大模型的推理能力，生成最终答案。

这里「打小抄」的动作，就是 RAG（Retrieval-Augmented Generation, 检索增强生成）。

Note: 使用知识库可以让大模型的回答有据可依、减少幻觉，代价是需要承担知识库的构建成本。尤其当知识库的规模较大时，有必要想想是否值得支付对价。毕竟，通过扩大知识库的方式提升 Agent 性能，多少有点「用有限对抗无限，用确定对抗不确定」的意思。虽然我们总是在提起 RAG 时提到知识库，但 RAG 是一种检索技术，它可以检索任何内容。比起检索需要手动构建的知识库，用来检索联网内容、历史对话也是可以的，而且性价比很高。你的下一个检索对象，又何必是知识库。

一、提示词模板

RAG 做的事情并不复杂，就是从知识库中召回与用户问题有关的内容，作为上下文注入到 提示词模板 (Prompt Template) 中。

下面是一个提示词模板：

{context}

---

基于上面给出的上下文，回答问题。

问题：{question}

回答：

使用该模板时，将召回文本填入 {context}，将用户问题填入 {question}。然后把填好的提示词模板交给大模型推理。

RAG 主要做了两件事：一是从知识库中召回与用户问题有关的文本，二是使用提示词模板拼接召回文本与用户问题。拼接很容易做到，难度主要集中在召回上。在下一小节中，我将介绍如何召回与用户问题有关的文本。

二、向量检索

完成「召回与用户问题有关的」这件事，需要用到检索器。实现检索器的方式有很多，比如基于关键词检索的 BM25 算法，但本节主要介绍基于 Embedding 的检索方法：向量检索。

1）从文本向量化说起

Embedding 是一种将文本转为向量的技术。它的输入是一段文本，输出是一个定长的向量。

"好喜欢你" --> [0.190012, 0.123555, .... ]

将文本转为向量的目的，是把语义相近的词分配到同一片向量空间。所以，一对近义词转成向量后，它们的向量之间的距离通常比其他词更近。比如，足球和篮球在向量空间中的距离更近一些，而足球和篮筐之间的距离更远。Embedding 的本质是压缩。从编码角度讲，自然语言存在冗余信息。Embedding 相当于对自然语言进行重编码，用最少的 token 表达最多的语义。

Embedding 在多语言场景下也有优势。经过充分训练的 Embedding 模型，会将多语言内容在语义层面上对齐。也就是说，一个向量可以在多语言环境中保持同一语义。这种特性让大模型得以兼容并包。即使加入多语言材料，也不会因为字面上的词不同，而产生“理解”上的混乱。

2）向量检索的原理

由于 Embedding 模型具有将相似语义的词训练成距离相近的向量的特性，我们可以把「用户问题」与「知识库内容」都转成 Embedding 向量。然后计算向量之间的距离。向量之间的距离越小，则语料之间的相似度越高。借助这个原理，最后返回知识库中与问题向量距离最小的 Top-K 份语料即可。

《LangGraph 1.0 完全指南》发布

Sun, 23 Nov 2025 00:00:00 +0000

经过三个星期的努力，《LangGraph 1.0 完全指南》终于面世啦！

10 月中旬，LangGraph 1.0 发布。开发团队承诺这是一个稳定版本，未来不会大改。因此，现在正是学习它的好时候。

LangGraph 是由 LangChain 团队开发的开源智能体框架。使用时它俩是紧密耦合的：LangChain 提供底层功能，LangGraph 负责状态管理。因此，两个库的文档都需要学习，这无疑加重了使用者的负担。为了让大家快速入门，我将两个库的主要功能提取出来，分成 13 个章节进行介绍。

这是一个开源电子书项目，使用 GitHub Action 自动构建，欢迎 Pull Request。如果你觉得本教程对你有帮助，也欢迎 Star 本教程仓库 luochang212/dive-into-langgraph。

一、在线资源

可以通过以下链接，访问本项目的仓库和在线文档：

资源	链接
GitHub 仓库	luochang212/dive-into-langgraph
电子书	《LangGraph 1.0 完全指南》

二、章节介绍

本教程的内容速览：

序号	章节	主要内容
1	快速入门	创建你的第一个 ReAct Agent
2	状态图	使用 StateGraph 创建工作流
3	中间件	使用自定义中间件实现四个功能：预算控制、消息截断、敏感词过滤、PII 检测
4	人机交互	使用内置的 HITL 中间件实现人机交互
5	记忆	创建短期记忆、长期记忆
6	上下文工程	使用 State、Store、Runtime 管理上下文
7	MCP Server	创建 MCP Server 并接入 LangGraph
8	监督者模式	两种方法实现监督者模式：tool-calling、langgraph-supervisor
9	并行	如何实现并发：节点并发、`@task` 装饰器、Map-reduce、Sub-graphs
10	RAG	三种方式实现 RAG：向量检索、关键词检索、混合检索
11	网络搜索	实现联网搜索：DashScope、Tavily 和 DDGS
12	Deep Agents	简单介绍 Deep Agents
13	调试页面	介绍 langgraph-cli 提供的调试页面

三、拓展阅读

以下是推荐阅读的文档和教程：

阿里发布新版 Quick BI，聊聊 ChatBI 的底层架构、交互设计和云计算生态

Sat, 06 Sep 2025 00:00:00 +0000

8月28日，阿里云发布了数据分析工具 Quick BI 的全新版本。它是大模型应用在 BI 行业的最新实践。Quick BI 在云计算基础设施之上，搭建了一个 ChatBI 应用。阿里为这个应用起了一个拟人化的名字：智能小Q。智能小Q允许用户以对话的形式探索数据。无需写 SQL，只需与小Q对话，即可获得想要的统计信息。

智能小Q其实是一个多智能体系统（multi-agent system），包含多个 Agent：

报告 Agent
问数 Agent
搭建 Agent
解读 Agent

这些 Agent 均由领域大模型驱动。

Note: 领域大模型经过 SFT、RL 微调，可将业务知识迁移泛化到同类任务中，从而在特定领域获得更优表现。此外，领域大模型的参数量小、推理速度快，也是优势之一。

一、智能小Q能做什么？

下面介绍智能小Q的两种模式：问数和解读。

1）问数界面

当用户提问：“店日均杯量是多少？”小Q可以找到数据并可视化，这就是“问数”。

2）解读界面

解读界面允许用户筛选面板中的数据，并基于筛选后的数据向小Q提问。

将「筛选后的数据」作为上下文向小Q提问有什么优势？

一方面，直接引用数据源意味着大模型无需去猜你想分析哪张表，节省了宝贵的 token；另一方面，直接引用提问涉及的数据范围，有助于大模型关注到真正有用的线索，避免大模型因为找不到重点，变得泛泛而谈。

在与智能体的对话中，明确引用所指对象是好文明！

二、拆解 Quick BI 技术路径

Quick BI 的底层架构是 Agent + 数据库。只要有这两个核心模块，你也能做出简易的 ChatBI，这一点在我的开源项目 luochang212/clickhouse-chatbi 中亦有记载。其中，Agent 对 Quick BI 的实现尤为关键。

先来盘一盘 Agent 框架有哪些能力？

能力	技术	代表	偏向
路由	Router	ChatGPT	模型
检索	RAG	LlamaIndex	工程
状态	Session	Google ADK	工程
记忆	Memory	Letta	工程
交互	ReActChat	Qwen Agent	模型
工具	MCP	Claude	工程
规划	Supervisor	LangGraph	工程
安全	Guardrails	OpenAI Agents	工程

* 上面的「代表」不是 SOTA 的意思，只是我第一个想到的例子

耶是 ClickHouse！我们有救了！！

Sat, 26 Jul 2025 00:00:00 +0000

本来我懒得装，但是 MySQL 太慢了，遭不住，咱还是把 ClickHouse 装起来吧。

GitHub 项目地址：chat-to-clickhouse

在《Agent 实战：智能路由、任务拆解和链路工程》一文中，我实现了一个简单的 ChatBI，它能查询 MySQL 数据库。对于小批量数据量，MySQL 尚可应付，但是当数据量来到千万量级时，一次 MySQL 查询将消耗数秒甚至数十秒，这么长的等待时间是用户难以忍受的。而且 Agent 还有一个技术问题，它的 NL2SQL 尚未做到 one-shot，也就是说，在拿到最终结果前，它也许需要多次试错，这将进一步拉长查询时间。

如何无痛解决查询效率低下的问题呢？很简单，只需要换数据库就可以做到。这便引入今天的主角：ClickHouse。

一、分析利器

ClickHouse 是 Yandex 旗下的一款开源的列式存储数据库，专为 联机分析处理 (OLAP) 场景设计。在做数据分析时，它比传统数据库快几倍到几十倍。分析场景的核心需求是「聚合计算」，即 GROUP BY 子句下的 SUM, AVG, COUNT 操作，这些正是 ClickHouse 的强项。

为什么它的聚合计算如此之快呢？因为它具有如下特性：

列式存储：顾名思义，列存的数据是按列存储的。这种存储方式可以减少无效 I/O，因为列存可以只读取查询中涉及的列。而非行存那样，读取整行后再丢掉不需要的列
并行计算：列存的另一个优势是数据更容易切分。单列数据的连续性和同构性更强，无需考虑与其他列的关联，因此可以更方便地按维度（如时间区间、数值分段）拆分并分配到不同节点。当然，这种设计的代价是使得插入操作变得更加昂贵
物化视图：物化视图可以把高频分析的结果提前算好存在表里，后续查询直接读结果，无需重新计算

二、安装过程

用 Docker 安装，过程相对简单。工业界在集群上装，比咱们这个复杂不少。

1. 配置 Docker 镜像源

中国大陆地区下载镜像，需要配置镜像源。

对于 Linux 系统，需要在 /etc/docker/daemon.json 文件中配置镜像源（如下）。Windows 和 MacOS 系统更方便一点，可以直接在 Docker Desktop 的 Settings -> Docker Engine 页面修改 daemon.json 文件。

在 daemon.json 文件中，添加镜像源字段 registry-mirrors：

Agent 实战：智能路由、任务拆解和链路工程

Sun, 15 Jun 2025 00:00:00 +0000

大模型天生具有幻觉，为了工程的准确性，我们奉行“非必要不Agent”原则。我们是专业的，除非忍不住，否则绝不用 Agent。

特别声明：本文使用 Qwen Agent 实现。

本文包含以下两个项目：

1）智能路由

概述：如果一个业务可以分很多种情况处理。针对每种情况，我们开发一个工具函数 (Function Calling)，来处理此种情况内部的复杂性。此时，Agent 充当智能路由的角色，将对应的情况路由到对应的工具函数。工具函数内部带有描述信息，Agent 可以访问这些信息，以此判断在何种情况下，调用这个工具函数。

具体来讲，本项目开发了一个 客诉核查 Agent。针对物流逾期和假货两种客诉，分别开发了对应的工具函数。Agent 通过接入工具函数，获得了核查以上两种客诉真实性的能力。当我们将客诉信息传递给 Agent，它会输出针对该客诉的 核查结论 和 相应证据。

2）数据库查询优化

概述：数据库查询是一个非常通用的需求，其中 NL2SQL 是难点。为了提升 NL2SQL 的准确性，很容易想到把数据表的 Schema、样例数据、个别字段的枚举值作为上下文 (context) 注入到原始 Prompt 中。本项目实现了这一点。

具体来说，本项目做了以下工作：

启用 Qwen Agent 的 ReActChat 模式，以提升多步骤情况下的性能
开发定制的 Workflow，用于将 Schema 等上下文信息注入原始 Prompt 中
开发可流式对话的 Gradio WebUI，以方便调试 Agent 和 Workflow

✨ 所有代码见 GitHub 仓库：luochang212/agent-project

一、引言

1. 尚未到来的涌现

We always overestimate the change that will occur in the next two years and underestimate the change that will occur in the next ten. – Bill Gates