目录
0. 经验分享：产品推荐
1. 经验分享：提示词优化
2. 经验分享：使用cursor 阅读一篇文章
3. 经验分享：使用cursor 阅读一个完全陌生的开源项目
4. 经验分享：手搓一个text2sql agent （使用langchain langgraph）
0. 经验分享：产品推荐
ai 产品
360ai 浏览器
https://www.perplexity.ai/onboarding?redirect=https%3A%2F%2Fwww.perplexity.ai%2F%3Flogin-source%3DoneTapHome
秘塔AI搜索
ima.copilot-腾讯智能工作台
https://deepseek.com -→ 揭秘DeepSeek:一个更极致的中国技术理想主义故事
ai 导航站
极客时间 AI 指南
ai 学习材料
https://github.com/anthropics
大语言模型（LLM）学习路径和资料汇总 · Issue #97 · ninehills/blog · GitHub
Docs
动手实战人工智能 AI By Doing — 动手实战人工智能 AI By Doing
agent平台
code
dify
fastgpt
发展趋势：
pc-agent
GLM-PC
mobile-agent
Mobile-Agent-E: Self-Evolving Mobile Assistant for Complex Tasks
检测论文是否由ai 生成： GitHub - Jiaqi-Chen-00/ImBD: [AAAI 2025] Official repository of Imitate Before Detect: Aligning Machine Stylistic Preference for Machine-Revised Text Detection
写小说 GitHub - nicekate/Al-StoryLab: AI-StoryLab 是一款基于 Next.js 的智能故事创作平台，集成音频制作与 AI 绘图提示词生成功能。
GitHub - Aria-Zhangjl/StoryWeaver: [AAAI 2025] StoryWeaver: A Unified World Model for Knowledge-Enhanced Story Character Customization
漫画生成： GitHub - jianzongwu/DiffSensei: Implementation of "DiffSensei: Bridging Multi-Modal LLMs and Diffusion Models for Customized Manga Generation"
社交： GitHub - langchain-ai/social-media-agent: 📲 An agent for sourcing, curating, and scheduling social media posts with human-in-the-loop.
https://github.com/whotto/Video_note_generator
电影视频： https://github.com/linyqh/NarratoAI
https://github.com/Huanshere/VideoLingo/blob/main/i18n/README.zh.md
数字人： https://github.com/modstart-lib/aigcpanel
教育方向： GitHub - taoofagi/easegen-front: Easegen is an open-source digital human course creation platform offering comprehensive solutions from course production and video management to intelligent quiz generation.Easegen 是一个开源的数字人课程制作平台，提供从课程制作、视频管理到智能出题的全方位解决方案。
1. 经验分享：提示词优化
a.search in english, reponse use chinese ;
b.思维链 ）
李继刚：Prompt的道与术
总结：没什么用
2. 经验分享：使用cursor 阅读一篇文章
1.安装markmap插件
2.提示词： @http://xxx 阅读文章帮我，使用md 格式生产思维导图
效果如下：
3. 经验分享：使用cursor 阅读一个完全陌生的开源项目
1.安装plantUml 插件
2. 提示词：
@codebase 使用plantUml格式，帮我生成这个项目的架构图
@codebase 帮我生成xxx 的流程图
@codebase 帮我写一篇关于roo Cline 系统提示词分析
以roo-code插件项目为例 为例： GitHub - RooVetGit/Roo-Code: Roo Code (prev. Roo Cline) is a VS Code plugin that enhances coding with AI-powered automation, multi-model support, and experimental features
4. 经验分享：手搓一个text2sql agent （使用langchain langgraph）
import os
from typing import Dict, Any, List
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_community.utilities import SQLDatabase
from dotenv import load_dotenv
import pymysql
from sqlalchemy import create_engine, text
# 加载环境变量
load_dotenv()
class MySQLChainDemo:
"""MySQL Chain 演示类"""
def __init__(self, database: str = None):
"""
初始化 MySQL Chain 演示实例
Args:
database: 数据库名称，如果不指定则使用环境变量中的配置
"""
self.llm = ChatOpenAI(
model="deepseek-chat",
openai_api_key=os.getenv("LLM_API_KEY"),
base_url=os.getenv("LLM_BASE_URL")
)
# 使用传入的数据库名或环境变量中的配置
self.database = database or os.getenv("MYSQL_DATABASE", "stock")
# 创建数据库连接
db_url = (f"mysql+pymysql://{os.getenv('MYSQL_USER')}:{os.getenv('MYSQL_PASSWORD')}"
f"@{os.getenv('MYSQL_HOST')}:{os.getenv('MYSQL_PORT')}/{self.database}")
self.engine = create_engine(db_url)
self.db = SQLDatabase(engine=self.engine)
def get_tables_info(self) -> str:
"""获取所有表的信息"""
try:
with self.engine.connect() as conn:
# 获取所有表名
tables = conn.execute(text("SHOW TABLES")).fetchall()
tables = [table[0] for table in tables]
tables_info = [f"当前数据库: {self.database}"]
for table in tables:
# 获取表结构
columns = conn.execute(text(f"DESCRIBE `{table}`")).fetchall()
columns_info = [f"{col[0]} ({col[1]})" for col in columns]
tables_info.append(f"\n表名: {table}")
tables_info.append("列: " + ", ".join(columns_info))
return "\n".join(tables_info)
except Exception as e:
return f"获取表信息失败: {str(e)}"
def execute_query(self, question: str) -> str:
"""执行自然语言查询"""
try:
# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
("system", """你是一个MySQL专家，请将用户的自然语言问题转换为可执行的MySQL查询语句。
当前数据库环境：
数据库名称: {database}
数据库表结构如下：
{tables_info}
规则：
1. 只返回一个MySQL查询语句
2. 不要包含任何注释或额外说明
3. 不要使用markdown格式
4. 使用反引号(`)包裹表名和列名
5. 确保SQL语法正确
6. 查询information_schema时使用当前数据库名称
示例：
问题：数据库中有哪些表？
返回：SELECT TABLE_NAME as table_name FROM INFORMATION_SCHEMA.TABLES WHERE TABLE_SCHEMA = '{database}';
问题：查询用户表有多少条记录？
返回：SELECT COUNT(*) as total FROM `users`;
"""),
("human", "{question}")
])
# 获取表信息
tables_info = self.get_tables_info()
# 生成SQL
chain = prompt | self.llm | StrOutputParser()
sql = chain.invoke({
"question": question,
"tables_info": tables_info,
"database": self.database
}).strip()
# 执行SQL
with self.engine.connect() as conn:
result = conn.execute(text(sql))
rows = result.fetchall()
if not rows:
return f"SQL查询: {sql}\n\n查询结果: 无数据"
# 格式化结果
columns = result.keys()
results = []
for row in rows:
result_dict = dict(zip(columns, row))
results.append(str(result_dict))
return f"SQL查询: {sql}\n\n查询结果:\n" + "\n".join(results)
except Exception as e:
return f"查询执行失败: {str(e)}\nSQL: {sql if 'sql' in locals() else '未生成'}"
def main():
"""主函数"""
# 可以指定数据库名称，或使用默认值
demo = MySQLChainDemo() # 使用默认的 stock 数据库
# demo = MySQLChainDemo(database="other_db") # 使用指定的数据库
# 测试查询
test_queries = [
"数据库中有哪些表？",
"查询t_stock_min_trade表中最新的交易时间",
"查询t_stock_min_trade表中股票代码为000001的最近3条记录",
"统计t_stock_min_trade表中有多少个不同的股票代码"
]
for query in test_queries:
print(f"\n问题: {query}")
result = demo.execute_query(query)
print(result)
print("-" * 50)
if __name__ == "__main__":
main()
涉及到到细节的代码和roo code 源码分析见github：
https://github.com/caicongyang/ai-agent-demo.git
https://github.com/caicongyang/mini-cline.git
