- 博客(2216)
- 收藏
- 关注
RSS订阅原创 一篇文章讲清楚 AI Agent 的核心概念：从 Token、Skill、RAG 到 MCP、SDD 和 Harness 工程
Agent是以 LLM 为核心，具备规划（Planning）、记忆（Memory）和工具调用（Tool Use）能力，能够自主拆解复杂任务、循环执行、感知反馈并持续推进任务直到完成的计算实体，实现从“文本生成”到“任务自主执行”，不再只是被动响应指令，而是能像人类员工一样，自主实现任务闭环。
2026-05-19 20:12:43
83
原创 AI Agent时代创业：最好的机会就是构建垂直领域Agent
这两年AI圈讨论最多的话题，就是从大模型到Agent（智能体）的进化。当大模型基础设施已经逐步完善，创业者们都在问：下一波机会在哪里？
2026-05-19 20:10:26
96
原创 Huashu Design：Agent 的 原生 HTML 设计 Skill
Huashu Design 是一个面向 AI 编程 Agent 的 **原生 HTML 设计 Skill**，让你只需在 Claude Code（或其他兼容 Agent）里打一句话，3 到 30 分钟内就能拿到一份**可交付的专业设计成品\*\*。
2026-05-19 20:09:23
83
原创 NUS 提出 SkillGraph：让多模态多智能体边协作边进化
本文提出 SkillGraph，将动态通信拓扑与自进化 Skill Bank 闭环耦合，让 VMAS 根据图像、问题和当前技能自动组织协作。在四个多模态基准、五种 MAS 结构和四类 VLM 上均稳定提升，最高平均提升约 3.0%。
2026-05-18 19:33:28
265
原创 企业自建内部知识库，最容易死在这8个问题上（管理+技术双维度）
很多企业想做内部知识库：把经验、图纸、方案、流程、故障案例沉淀下来，避免人员流失就丢技术、避免重复踩坑。但真正落地后，90%都变成了“僵尸文档库”——要么没人用、没人更，要么技术层面跟不上需求，AI模式形同虚设。
2026-05-18 19:32:09
354
原创 架构天花板 ：基于LangGraph的生产级 Harness 执行层 Sub-Agent 深度拆解，解密 子Agent如何才能是 达到工业级的 性能
相信做过 Agent 开发的小伙伴都懂这种痛： **一个 AI Agent 硬扛所有步骤，从数据爬取、清洗到校验、输出，跑一次要40多分钟，**中间还经常因为上下文溢出断思路，重试一次又是大半天。
2026-05-18 19:26:42
261
原创 从 Computer Use到 Datacenter Use：如何让 AI Agent 像调用函数一样驱动数据中心？
本文整理自 QCon 全球软件开发大会·2026（北京站）明星讲师蚂蚁集团操作系统研发经理谈鉴锋、高级开发工程师周天昱的演讲分享《From Computer Use to Datacenter Use for AI》。
2026-05-17 20:22:28
347
原创 RAG 既死，什么才是 Ground Truth?
很多人以为，让 Agent 理解代码，就是给它更多源码：更大的 context window，更好的 embedding，更聪明的 RAG，更细的 AST index。我以前也差点信了。
2026-05-17 20:21:07
336
原创 深度拆解：Hermes 的多 Agent逻辑
今天想从底层机制出发，来拆解 Hermes 的多 Agents 逻辑。Hermes 的多 Agents 是一套边界清晰的三层架构：第一层是执行内核：AIAgent。无论外部接入多少种形态的终端，最终负责思考和工具调度的，都是这套底层的运行核心。
2026-05-17 20:20:01
377
原创 ICML 2026｜武汉大学 & 悉尼大学: 多模态模型越练越会想？它可能只是越练越会“猜”
多模态模型做题时，最容易骗过人的，不是答错，而是**答案对了，理由却是编的**。比如医学影像问答里，模型最后选对了“肺部不健康”，但中间推理却说“肺野清晰、没有异常”。如果只看最终选项，样本会被当成好数据；如果把推理链读完，就会发现它根本没有认真看图，只是靠语言经验撞上了答案。
2026-05-16 21:00:35
380
原创 来了，首篇Agent Skills系统性综述！
你让 AI Agent 帮你写一段代码，它做得很好。第二天你让它做一件几乎一样的事，它又从头推理一遍——卡住、报错、重试。就好像它完全没做过上一次。
2026-05-16 20:58:25
416
原创 小红书二面：Function Calling 的可靠性怎么保证？
Function Calling 大概是 LLM 应用开发中最拧巴的一个环节——你让一个概率模型去做一件需要百分之百精确的事。模型生成的自然语言可以有措辞差异、可以有风格变化，用户多半不会在意，但一个工具调用的参数少了一个字段、日期格式从 `YYYY-MM-DD` 变成了 `DD/MM/YYYY`、或者枚举值 `pending` 拼成了 `Pending`，下游系统直接报错，整个 Agent 流程就断了。这就是 Function Calling 可靠性问题的本质：**一个模糊的系统在试图产出精确的结果。
2026-05-15 20:30:30
362
原创 浙大提出 MedMemoryBench：医疗智能体记忆的压力测试
本文提出 MedMemoryBench，用流式评测检验个性化医疗智能体记忆。其构建约 2,000 个会话、16,000 轮交互和 1,939 个问题，揭示现有记忆方法在复杂推理与噪声累积下明显退化。
2026-05-15 20:28:48
325
原创 MarkItDown 转 PDF 表格总乱码？这 5 步让 OCR 精度从 60% 升到 95%
转了 100 份扫描件,表格全乱了?你的 MarkItDown 可能少装了一个插件。MarkItDown 的 OCR 不是传统 Tesseract.
2026-05-15 20:27:34
357
原创 LLM 语义路由全解析：用模型本身做意图分类，告别关键词硬匹配的三种陷阱
你做过 FAQ 机器人或者客服 Bot 吗？多半会遇到这个痛苦时刻：* 用户问"帮我退款"，关键词匹配到"款"，路由进了财务查询链，结果答了一堆账单* 用户问"我的快递在哪"，里面有"哪"字，被匹配进了通用知识库，答出来一段配送政策
2026-05-14 19:17:17
375
原创 RAGFlow管开源，KnowFlow管生产：企业级RAG落地的完整拼图
某省级政务云平台的技术负责人老周，在选 RAG 底座时遇到了一个现实问题：他们有三十万份历史档案扫描件，涵盖1980年代至今的公文、表格、审批表单，格式极其混乱。用户查询时需要精确引用原文，审计部门要求每一句 AI 回答都能回溯到「哪份档案、第几页、哪一段」。
2026-05-14 19:14:09
367
原创 技术 Leader：“还在 Vibe Coding 呢？就不能让 Agent 自己干？”我微微一笑：“我正在做这样一个Agent CLI 呢”，领导：“这么厉害？”
昨天又高强度肝了一天的 PaiCLI Agent，把整个交互体验又提升了一个档次。
2026-05-14 19:11:18
365
原创 腾讯面试官问：Chunk 到底该怎么切？
别再背 500 tokens + overlap 50：它可能把制度条款切碎，让召回片段从 0.83 掉到 0.41。这一课承接上一课"Embedding 怎么评估"，给出 Chunk 切分的真正判断框架。
2026-05-13 19:15:02
385
原创 快手二面：大模型的 Function Call 能力是怎么训练出来的？
面试官：详细说说大模型的 Function Call 能力是怎么训练出来的？
2026-05-13 19:13:53
345
原创 一文搞懂Agent Skill的原理与设计规范
最近 Skill 这个词在 AI 圈里出现的频率，越来越高。你打开 Claude Code、Cursor、Codex，甚至 Gemini CLI，到处都在聊「Agent Skill」。
2026-05-13 19:12:43
353
原创 从Anthropic论文到工程落地：Harness engineering结合claude code，讲解四层前端架构规范
AI 时代，许多人都体验过了vibecoding，但结果不同。
2026-05-12 19:52:34
380
原创 传统RAG把文档切碎，TreeSearch不接受，结果反而更快更准
无需 Embedding，无需向量库，无需切分——开源项目TreeSearch 用树结构保留文档灵魂，毫秒级检索万级文档。
2026-05-12 19:51:14
408
原创 LangGraph 持久化深度解析：Checkpoint 机制如何实现对话记忆和断点续跑
很多同学在第一次接入 LangGraph 时，会发现图默认是「无状态」的——每次 `invoke`，上一轮的消息就消失了。你以为加了 MessagesState 就有记忆了，结果测试一问，Agent 完全不知道「你叫什么名字」。
2026-05-12 19:50:23
347
原创 常见的 17 种 RAG 方案解析
近年来，随着大语言模型（LLM）的广泛应用，检索增强生成（Retrieval-Augmented Generation，RAG）系统逐渐成为连接私有知识库与智能问答的核心架构。RAG 不仅弥补了大模型在实时性与事实性上的不足，也通过多种技术路径不断演进，形成了丰富的方法体系。
2026-05-11 22:03:38
378
原创 用OpenClaw搭一个越用越聪明的AI智能体团队，只需要几个Markdown文件
很多人第一次配置OpenClaw是通过对话完成的——告诉它你是谁、你想要什么，它帮你生成配置文件并一键安装。方便，但那之后，你完全不知道内部发生了什么。
2026-05-10 10:45:00
379
原创 多Agent场景，子agent 之间数据读写不同步，如何解决？
多Agent 系统里，经常会出现一个单 Agent 里从来不会出现的问题：一个子 Agent 刚写完数据，另一个子 Agent 立刻去读，结果是空的。
2026-05-09 19:23:58
356
原创 Agentic RAG 深度解析：让 Agent 自己决定要不要检索、检索几次，这才是 RAG 的正确打开方式
你有没有遇到过这种情况：搭了一套标准 RAG，上线后发现检索结果驴唇不对马嘴——用户问「2024 和 2025 的年度报告对比一下」，系统只检索到了 2024 的内容，然后大模型用这半桶水给了你一个「信心满满但完全错误」的答案。你反复调 top-K、调 chunk size，就是不稳。根本原因不是参数没调对，而是**传统 RAG 的架构本身就没有自我纠错的能力**——它就是个固定管道，检一次，生成，完事。
2026-05-09 19:22:06
376
原创 我想拍桌子，作为 Java 后端程序员，老板限我一天把 RAG 升级成 Agent
大家好，我是秃头哥，一名 Java 后端程序员，每天开心撸 CRUD、调 RAG 问答、搭 Spring Boot+Elasticsearch 知识库，本来安安稳稳过日子。
2026-05-08 22:03:41
353
原创 RAG（检索增强生成）会不会消亡呢？
最近不少同学在简历或面试里提到做过 RAG（Retrieval-Augmented Generation）项目，开口就是：
2026-05-08 22:02:33
336
原创 从 Claude Code 看 Harness Engineer 的设计
几乎每一个认真用过 Claude Code 的人，都经历过同一个阶段：开始疯狂往 CLAUDE.md 里写东西。
2026-05-08 22:01:21
379
原创 ReAct 论文深度解读：让大模型学会“边想边做“
在 ReAct 之前，**Chain-of-Thought (CoT)** 已经成为提升 LLM 推理能力的标配方法。
2026-05-06 18:59:36
179
原创 字节 AI agent 一面面试题
(1)视觉编码器（ Vision Encoder )：以 CLIP ViT / SigLIP / EVA - CLIP 为主，图像分为 patch 序列提取视觉特征，通常使用预训练权重（冻结或部分微调）。现代方案（如Qwen2.5- VL ）用2D- RoPE 替代绝对位置编码，支持原生动态分辨率和任意宽高比。
2026-05-06 18:58:17
224
原创 RAG+Agent 深度融合实战：打造基于私有知识库的企业级智能助手
本文是《大模型Agent全栈开发实战系列》第七篇，承接前序Agent核心架构、规划模块、记忆模块、工具调用、LLM选型与提示词工程的全流程内容，深度拆解**RAG+Agent深度融合**的底层逻辑与生产级落地方案。从三大主流融合架构选型、私有知识库全流程构建，到与LangGraph架构的无缝集成、四大核心痛点解决方案，再到企业级进阶优化与10大避坑指南，全维度覆盖RAG+Agent从Demo到生产的完整链路。无论你是AI入门者、转型开发的工程师，还是企业技术负责人，都能通过本文解决Agent无法接入私有知识
2026-05-06 18:57:00
410
原创 【万字长文】Agent 记忆设计：从短期上下文到长期记忆系统
一个 agent 真正露怯的时刻，往往是忘了刚刚和你一起建立过的上下文。上周刚改过一个项目，今天它却表现得像第一次见到这个仓库一样。直觉上，这叫“没有记忆”。但真要做一个能长期工作的 agent，问题比“加一个 memory store”要麻烦得多。
2026-05-05 21:00:43
433
原创 Memory全解析：截断、总结、检索，AI 的三种记性怎么选
你有没有遇到过这种情况：和 AI 聊了十几轮，突然它说"你刚才说的是什么来着？"——其实是你塞进 context 的消息太多，早几轮的内容被截掉了。或者反过来：把所有历史消息都带上，token 爆了，每次调用都超级贵。
2026-05-05 20:59:17
242
原创 知识图谱赋能大模型，全球海面温度预测迎来新突破
本文介绍一项来自复旦大学、香港理工大学等机构的最新研究——OKG-LLM框架。该框架首次将海洋知识图谱（OKG）与大语言模型（LLM）深度融合，通过结构化领域知识与精细数值观测数据的协同对齐，实现全球海面温度的高精度预测，在九项基线模型对比中全面超越现有最先进方法。
2026-05-05 20:58:10
366
原创 Multi-Agent 的四种协作模式：Supervisor、Swarm、网状、流水线，怎么选？
你搭了一个 Agent，起初跑得挺好。后来需求升级了，调研+写作+事实核查全压在一个 Agent 上。结果上线后发现：系统提示词膨胀到 800 字，工具列表里有 15 个工具，Agent 开始选错工具、忘记自己设定的规则，偶尔一步出错后面全错。你在想，是不是我的 Prompt 写得不够好？
2026-05-04 22:24:52
408
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人