精选 · 第 01 篇定制GPT与Gemini Gems对比：谁更胜一筹？
本文对比了OpenAI的定制GPT与谷歌的Gemini Gems，分析了两者的创建流程、功能、知识整合、分享方式及使用门槛，帮助你选择适合的AI定制工具。
AI教程
通过实操案例和步骤讲解，让读者能够真正把 AI应用到 写作、设计、视频、编程、营销等实际工作中。内容包括： AI新手入门教程 ChatGPT使用指南 AI提示词（Prompt）技巧 AI自动化工作流 AI创作案例
精选 · 第 01 篇
精选 · 第 02 篇GPT-5发布：OpenAI全新旗舰模型震撼登场
深入了解OpenAI最新推出的GPT-5模型，具备自动模型选择、减少幻觉现象及增强推理能力。
精选 · 第 03 篇Nano-Banana来了：Gemini全新排名第一的图像模型
探索谷歌最新的先进图像模型，擅长理解、合成和编辑图像，带来更高效、更精准的AI图像处理体验。
更多教程
17 篇
在Google AI Studio中用Vibe Code打造你的下一款AI应用
深入解析AI Studio的Build模式，这一新功能能将你的创意转化为集成Gemini的完整应用。
深入探索微软代理框架
深入探索微软代理框架 课程介绍 本课程将涵盖以下内容： 了解微软代理框架（Microsoft Agent Framework，简称 MAF）的核心功能与价值 探索微软代理框架的关键概念 学习高级 MAF 模式：工作流、中间件与内存管理 学习目标 完成本课程后，您将能够： 使用微软代理框架构建可投入生产的 AI 代理 将微软代理框架的核心功能应用于您的代理场景 运用高级模式，包括工作流、中间件和可观
管理智能代理的记忆机制
AI代理的记忆机制 在构建AI代理时，两个核心优势经常被提及：调用工具完成任务的能力和随着时间提升性能的能力。而记忆正是实现自我提升代理、为用户创造更优体验的基础。 本课将探讨AI代理的记忆是什么，如何管理记忆，以及如何利用记忆提升应用效果。 课程内容概览 理解AI代理记忆：记忆的定义及其对代理的重要性。 记忆的实现与存储：为AI代理添加记忆功能的实用方法，重点关注短期记忆和长期记忆。 打造自我提
Nano Banana 2发布——迄今为止最强大的图像生成模型
了解Nano Banana 2如何提升指令执行、文本渲染、角色一致性和视觉质量，带来更出色的AI图像生成体验。
AI代理的上下文工程
AI代理的上下文工程 （点击上方图片观看本课视频） 理解你所构建的AI代理应用的复杂性，是打造可靠代理的关键。我们需要构建能够有效管理信息、满足复杂需求的AI代理，这远超简单的提示工程。 本课将介绍什么是上下文工程及其在构建AI代理中的作用。 课程内容 介绍上下文工程及其与提示工程的区别。 分享有效上下文工程的策略，包括如何编写、选择、压缩和隔离信息。 解析常见的上下文失败及其解决方法。 学习目标
使用智能代理协议（MCP、A2A 和 NLWeb）详解
随着人工智能代理的广泛应用，确保标准化、安全性以及支持开放创新的协议需求日益增长。本篇将介绍三种满足这些需求的协议：模型上下文协议（Model Context Protocol，简称 MCP）、代理间通信协议（Agent to Agent，简称 A2A）以及自然语言网页协议（Natural Language Web，简称 NLWeb）。 课程介绍 本课程内容包括： MCP 如何使 AI 代理访问
Gemini现已全面整合进Google Workspace
了解如何利用Gemini在Google Workspace中的新集成功能，轻松制作幻灯片、起草文档并通过AI搜索您的Drive文件。
生产环境中的AI代理：可观测性与评估
生产环境中的AI代理：可观测性与评估 随着AI代理从实验原型走向实际应用，理解其行为、监控性能并系统地评估输出变得尤为重要。 学习目标 完成本课后，您将掌握： 代理可观测性和评估的核心概念 提升代理性能、降低成本和提高效率的技术 系统化评估AI代理的方法和内容 控制AI代理上线部署成本的策略 如何为基于微软代理框架构建的代理添加监控工具 本课旨在帮助您将“黑盒”代理转变为透明、可管理且可靠的系统。
多智能体设计模式详解
多智能体设计模式 当你开始开发涉及多个智能体的项目时，必须考虑多智能体设计模式。然而，何时切换到多智能体系统以及其优势可能并不直观。 课程介绍 本课旨在解答以下问题： 多智能体适用的场景有哪些？ 使用多智能体相比单一智能体执行多任务有哪些优势？ 实现多智能体设计模式的基本构件是什么？ 如何监控多个智能体之间的交互？ 学习目标 完成本课后，你将能够： 识别适合多智能体应用的场景 理解多智能体相较于
构建可信赖的人工智能代理
构建可信赖的人工智能代理 引言 本课将介绍： 如何构建和部署安全有效的人工智能代理 开发人工智能代理时的重要安全考量 如何在开发过程中维护数据和用户隐私 学习目标 完成本课后，您将能够： 识别并减轻创建人工智能代理时的风险 实施安全措施，确保数据和访问权限得到妥善管理 创建既保护数据隐私又能提供优质用户体验的人工智能代理 安全性 首先，我们来看如何构建安全的代理应用。安全意味着人工智能代理能够按
Agentic RAG：自主规划与增强检索生成的新范式
Agentic RAG 本课程全面介绍了Agentic Retrieval-Augmented Generation（Agentic RAG），这是一种新兴的人工智能范式，允许大型语言模型（LLM）在从外部信息源检索数据的同时，自主规划下一步行动。与传统的静态检索后阅读模式不同，Agentic RAG采用迭代调用LLM的方式，结合工具或函数调用及结构化输出，系统会评估结果、优化查询、调用更多工具
工具使用设计模式详解
工具使用设计模式 工具的引入使得AI代理具备了更广泛的能力。相比于仅限于执行有限动作的代理，添加工具后，代理能够执行更多样化的操作。本章将介绍工具使用设计模式，阐述AI代理如何通过调用特定工具来实现目标。 课程介绍 本课将解答以下问题： 什么是工具使用设计模式？ 它适用于哪些应用场景？ 实现该设计模式需要哪些核心元素？ 在构建可信赖的AI代理时，使用该设计模式有哪些