摘要： 上一篇，我們了解了A2A的三大角色和四大對象，還知道了A2A的基本工作流程。本篇就來實踐一個典型的A2A協議案例：Travel Planner，它涉及一個Client 和 3個Remote Agent，是一個拿來練手增強理解的好案例，希望對你有所幫助！ 閱讀全文

摘要： 本文介紹了A2A的三個主要角色（User、Client 和 Remote Agent）和 四個核心對象（Agent Card、Task、Artifact 和 Message），并通過簡單的例子介紹了A2A協議的典型工作流程，相信對于你加深了解A2A協議會有幫助。 閱讀全文

摘要： 本文介紹了A2A的基本概念以及和MCP的關系，然后通過一個Hello World案例介紹了如何快速開始一個A2A Demo，相信我們可以有一個快速的感性認識。 閱讀全文

摘要： 在移交（也可以叫做交接）編排模式中，允許各個Agent根據上下文或用戶請求相互轉移控制權，每個Agent都可以通過適當的專業知識將對話“移交”給另一個Agent，確保每個Agent處理任務的某個指定部分。這種模式非常適合于客戶支持（客服）、專家系統或需要動態委派類型的任務場景。 閱讀全文

摘要： 在群聊編排模式中，各個Agent就像加入了一個微信群，由群管理員協調進行群聊對話。這種模式非常適合于模擬會議、辯論或協作解決問題的會議類型場景。 閱讀全文

摘要： 在順序編排模式中，各個Agent被組成一個流程，每個Agent都會處理任務，并將執行結果輸出傳遞給下一個待執行的Agent。可以看出，對于每個基于上一步驟構建的工作流（Workflow）來說，這是比較適合的模式。目前，像文檔審閱、工作流、數據處理管道、多階段推理等，是比較常見的應用場景。 閱讀全文

摘要： 傳統的單Agent系統在處理復雜多面任務的能力方面受到較多限制，因此我們會有多Agent編排協作完成任務的需求。Semantic Kernel支持多種多Agent編排流程模式，每個模式都針對不同的協作方案而設計。本文介紹了Agent編排的概念以及Semantic Kernel支持的編排模式，最后通過一個案例介紹了如何實現一個并發編排模式，相信通過這個案例你能夠有個感性的認識。 閱讀全文

摘要： 本文介紹了如何通過Semantic Kernel提供的AgentGroupChat來實現多Agent的協作，其中最要的部分就是定義選擇輪次策略 和 終止聊天策略，相信通過這個案例你能夠有個感性的認識。當然，除了群組聊天模式之外，多Agent協作還有很多其他的方式（比如 并行、順序、移交、磁性等等），也還有不同的框架實現（如AutoGen），這就留到后面一一介紹給你，因為我也還在學。 閱讀全文

摘要： 之前在學習機器學習的時候，使用了Jupyter Notebook這個筆記本工具，感覺十分好用。于是我就在想.NET這邊有沒有類似的，今天就跟你介紹下Polyglot Notebook這個多語言筆記本工具。Polyglot Notebook是一個由Microsoft開發的交互式編程環境，它允許用戶在同一個筆記本中混合使用多種編程語言，旨在提高開發者在處理復雜數據分析和機器學習任務時的效率和靈活性。 閱讀全文

摘要： 本文介紹了機器學習的基本概念，通過一個預測公眾號文章閱讀量的案例介紹了如何進行一個機器學習的實戰步驟，最后介紹了將訓練好的機器學習模型與線上系統集成起來上線使用。相信通過這些快速開始的內容，你一定能對機器學習的項目有個初步的了解！ 閱讀全文

摘要： 近日被MCP刷屏了，剛好看到張隊發了一篇文章提到MCP的官方C# SDK發布了預覽版，于是手癢癢嘗了一下鮮，寫了一個DEMO分享給大家。MCP，全稱是“模型上下文協議”（Model Context Protocol），是Anthropic開源的一個標準協議，AI模型通過這個標準協議就能直接獲取數據或執行操作，不用每次都重新開發連接方式。 閱讀全文

摘要： 2025年成都.NET開發者Connect線下聚會活動于3月29日圓滿結束，本次活動吸引了約30位.NET開發者朋友參與，他們分別來自成都各家技術公司，相聚城南華府國際A座24樓會議區，共同探討.NET+AIGC & Agile101相關話題。 閱讀全文

摘要： 最近閱讀了鐘敬老師的特別策劃系列文章《AI時代程序員生存之道》，里面從《人月神話》的視角來討論AIGC對于輔助軟件開發的能力邊界 和 程序員的生存之道，特別有意思，我將其核心內容整理了一下分享與你！ 閱讀全文

摘要： 2024年底入坑黃佳老師的《AI應用實戰課》，過去的兩個月來，通過12篇總結筆記記錄下我的學習之旅，我個人收獲頗多，也很感謝一直在閱讀的你。今天應部分網友的要求，將其整理成目錄分享給你。除了對這門課的學習總結之外，還添加了一些我自己整理的相關的文章在這里，作為補充完善。 閱讀全文

摘要： 本文介紹了如何基于Microsoft.Extensions.AI + Microsoft.Extensions.VectorData 一步一步地實現一個RAG（檢索增強生成）應用，相信會對你有所幫助。如果你也是.NET程序員希望參與AI應用的開發，那就快快了解和使用基于Microsoft.Extensioins.AI + Microsoft.Extensions.VectorData 的生態組件庫吧。 閱讀全文

摘要： 本文介紹了Transformer的基本概念和架構，它相對于RNN的優勢主要就在于自注意力機制，實現了并行性和可擴展性，進而催生了GPT等大語言模型的誕生。目前我們可以通過對預訓練好的大語言模型進行微調，進而讓其適應我們的業務任務，節省資源又能保證質量。 閱讀全文

摘要： 本文介紹了Microsoft.Extensions.Vector的基本概念 和 基本使用，結合Embedding Model（如all-minilm） 和 VectorStore（如Qdrant），我們可以快速實現語義搜索，而不僅僅是關鍵字匹配。如果你也是.NET程序員希望參與AI應用的開發，那就快快了解和使用基于Microsoft.Extensioins.AI的生態組件庫吧。 閱讀全文

摘要： 本文介紹了RNN循環神經網絡的基本概念 和 各種神經網絡（DNN、CNN、RNN）的對比，最后介紹了如何基于RNN來做時序預測的案例。 閱讀全文

摘要： 本文介紹了CNN的基本概念 以及 如何基于預訓練的CNN模型對于CIFAR-10數據集做圖像分類的案例。基于預訓練好的CNN模型作為基線模型，針對你自己的圖片數據集做二次訓練（遷移學習），通常可以兼顧成本和性能，是值得采用的實踐方式。 閱讀全文

摘要： 本文介紹了Microsoft.Extensions.AI的基本概念 和 基本使用，如果你也是.NET程序員希望參與AI應用的開發，那就快快了解和使用起來吧。 閱讀全文