00:00 / 04:48
连播
清屏
智能
倍速
点赞537
【干货】LangGraph / CrewAI 都过时了? 别再默认上 LangGraph:2026 年做 AI Agent,真正的趋势不是框架越来越复杂,而是重新回到软件工程。 🔧 这期聊一个很现实的问题:LangChain、LangGraph、CrewAI、AutoGen 这些 Agent 框架,到底还值不值得学?我不会简单说它们“死了”或者“没用了”,而是从生产系统的角度讲清楚:什么场景适合用,什么场景其实是在给自己加复杂度。 ⚡ LangGraph 仍然很强,尤其适合 long-running、stateful、human-in-the-loop 的 Agent 编排。但如果只是简单工具调用、结构化抽取、客服机器人、明确业务流,默认上 Graph、State、Node、Edge、Checkpoint,很多时候就是过度设计。 🚧 CrewAI 的 Demo 体验非常爽,角色、任务、协作都很直观。但生产系统要的是确定字段、权限边界、失败重试、审计日志、SLA 和可复现性。纯自然语言多 Agent 协作,在企业系统里很容易变成 token 成本、延迟和调试噩梦。 🧭 AutoGen 的历史意义很大,它很早推动了多 Agent 对话解决问题的范式。但现在新项目选型,需要关注 Microsoft Agent Framework、OpenAI Agents SDK、Claude Agent SDK / Managed Agents、Pydantic AI、Instructor、Temporal、LlamaIndex 这些更明确分层的方案。 🧠 我的核心观点:AI 的尽头不是越来越复杂的黑盒框架,而是回归经典的软件工程。把大模型当成一个组件,用数据库管理状态,用队列和 Temporal 管长任务,用类型系统和 schema 管输出,用 trace/eval/log 管质量。 如果你正在做 AI Agent、LLM 应用、RAG 系统,或者正在纠结 LangGraph、CrewAI、AutoGen、OpenAI Agents SDK 怎么选,这期会给你一个更工程化的判断框架。 喜欢这种 AI 工程实战和技术选型分析,记得点赞、订阅。也欢迎在评论区说说:你们团队现在还在用 LangGraph,还是已经退回原生 SDK 了?CrewAI 有没有真的上过生产? AI Agent, AI智能体, Agent框架
00:00 / 10:08
连播
清屏
智能
倍速
点赞1076
00:00 / 01:58
连播
清屏
智能
倍速
点赞5
00:00 / 01:23
连播
清屏
智能
倍速
点赞3530
别再把GEO当成AI版SEO了!7个本质区别一次说清 哈喽大家好,最近“GEO”这个词特别火,很多人觉得它就是AI平台里的SEO。 但其实,两者差别非常大!今天我用7个核心区别,帮你一次性搞清楚。 第一:目标引擎不同 传统SEO,主要盯着百度、搜狗、360、必应这些浏览器搜索。 而GEO,优化的对象是豆包、DeepSeek、通义千问、元宝这些国产AI大模型。 第二:排名机制不同 SEO看的是:关键词匹配度、用户点击率、停留时间、外链数量和质量。 GEO看的是:语义相关性、你的品牌在高质量语料中被引用了多少次,以及信息来源是否权威——比如官方、学术、知名媒体。 第三:内容优化重心不同 SEO重点做:标题和H1带关键词、内部链接、移动端适配、加载速度。 GEO重点做:直接写出“是什么、为什么、怎么做”的完整答案,引用权威数据和研究报告,并且一定要有清晰的来源链接,方便AI溯源。 第四:关键词策略不同 SEO是搜索量导向:挖长尾词、看百度指数、控制关键词密度。 GEO是对话式导向:分析用户向AI提的真实问句,覆盖同一主题的多种问法,还要强化实体关系,比如“品牌A和品牌B对比”。 第五:成功指标不同 SEO看排名、自然流量、点击率和百度收录量。 GEO看的是:在AI答案里你的品牌被提到了几次、引用率有多高、有没有“零点击”曝光,以及AI是否标注了来源归因。 第六:技术优化差异 SEO关注站点速度、移动友好、爬虫预算、小程序适配。 GEO更看重:结构化数据Schema、知识图谱对齐、API开放性,以及引用来源的清晰度。 第七:用户获取模式不同 SEO是用户点击搜索结果,跳转到你的网站,拿到流量。 GEO是AI直接把你的品牌和内容整合进答案里,用户可能根本不用点击,但你的品牌心智和信任感被牢牢建立。 所以你看,GEO并不是简单的“AI版SEO”,而是一套全新的底层逻辑。 如果你还在用老思路做AI平台的优化,很可能会被甩在后面。 #geo搜索优化 #geo优化公司 #seo和geo的区别 #深圳geo优化公司
00:00 / 02:50
连播
清屏
智能
倍速
点赞12
00:00 / 00:15
连播
清屏
智能
倍速
点赞16
00:00 / 06:39
连播
清屏
智能
倍速
点赞16
Karpathy入职Anthropic后首次公开亮相 1. Vibe Coding(氛围编码/ vibe 编码)已死 • Karpathy 去年自己提出的“Vibe Coding”概念(靠感觉、prompt 驱动 AI 写代码,完全沉浸在“氛围”中,不用太在意底层代码细节)现在被他自己宣告过时。 • 早期用 LLM 写代码很神奇,能快速出 demo,但实际生产环境中问题很多:代码冗余、抽象脆弱、可维护性差、难以长期可靠运行。 2. 转向 Software 3.0 + Agentic Engineering(代理式工程) • Software 3.0:软件开发范式彻底改变。从传统“写代码”(Software 1.0/2.0)转向用 LLM 作为可编程的“幽灵”(ghosts)来构建系统,而不是把 LLM 当成“动物”或随机宠物。 • LLM 不是可靠的“程序员”,而是统计性的、 jagged(参差不齐)的实体,需要人类用新的判断力和品味来引导。 • Agentic Engineering 是更严肃的下一阶段:强调验证(verification)、评估框架(eval harness)、控制回路和系统工程方法,而不是纯靠 vibe。 • 目标是保留专业软件原有的质量标准,同时利用 AI 的速度。 3. 关键观点与隐喻 • LLM 像“幽灵”:你可以召唤它们,但它们不是确定性的,需要精心设计环境和约束。 • 开发者未来竞争力在于系统设计、验证能力,而非单纯 prompt 技巧。 • 演示 vs 生产:demo 很容易“works on my machine”,但产品需要“works all the time”,这就需要工程化方法。 • Karpathy 强调:虽然 AI 能承担更多任务,但人类在理解、判断和最终责任上的技能反而更重要。 总结一句话: Karpathy 亲手埋葬了自己发明的“Vibe Coding”,呼吁大家从“随缘 prompt”转向更结构化、工程化的 Agentic Software 3.0 时代 —— LLM 是强大工具,但必须用严谨的系统思维来驾驭。 #全球ai竞争 #Karpathy #Software3.0
00:00 / 29:43
连播
清屏
智能
倍速
点赞35
00:00 / 02:55
连播
清屏
智能
倍速
点赞11
00:00 / 02:10
连播
清屏
智能
倍速
点赞32