一、总体生命周期概览 ACP 定义了智能体间协作的 5 个宏观阶段。 正常路径为注册发现 → 连接握手 → 能力协商 → 任务执行 → 终止。 为应对生产环境中的节点故障、能力降级与多候选节点选择，协

在构建 LLM 应用时，开发者很快会面临一个共同挑战：单个 LLM 调用不够用。直接在业务代码中用 if-else 和循环来编排这些逻辑，很快就会变成难以维护的"意大利面条代码"。

GBrain的"混合检索"是Agent Memory的参考实现：如果你正在设计Agent的记忆系统，GBrain的"向量+关键词+图谱"三层架构值得借鉴。

给个人配AI能加速3到10倍,但组织整体的产出周期几乎不变——问题不在"人"这个节点上,在"人和人之间的协作依赖"这条边上。这篇文章用三条分布式系统的老定律讲清楚原因,再给一套不管你是leader还是

为什么你调的 LLM 接口不值钱？——从零理解 Agent 开发的正确姿势 一、开篇：一个让你重新思考的问题 来，先看一段代码： 三行代码，一个 AI 对话就跑起来了。你看着终端里流淌出来的文字，心里

只看公开 X/Twitter，AI 能读懂一个人多少？我做了个开源工具，答案比想象更有意思。AI 前沿 + 自己动手做项目 + 开源 + 技术思考！

前两周，我在小号「第二曲线增长」上发了一篇介绍文章，入池干到 2 万阅读，量不多，但直接带来 20 万销售额。 文章从选题调研、写稿、改稿评审、排版到发布，全程 Claude Code 执行。我只做了

Memory、Skills 与上下文工程 —— deepagents 第三阶段实战手记 目录 回顾：前两篇文章结束时 Agent 能做什么？ Memory：让 Agent 拥有"长期记忆" Skill

一、什么是 AI Loop？先读懂核心思想 1. 行业现状：放弃手工调 Prompt，循环才是标准答案 海外一条 700w 浏览量的技术推文提出核心观点：低效的手动调试提示词已经过时，AI 工程的核心

🔥 从点积到 Transformer：我终于搞懂大模型是怎么"猜"出下一个词的了 📌 前言：一个让我困惑了很久的问题 我第一次读 Transformer 论文时，被满屏的公式劝退了。Q、K、V、Sof

🚀 Agentic RAG：从"检索增强生成"到"智能体驱动的检索增强生成"，RAG 的下一个范式 📖 前言 2023 年，RAG（Retrieval-Augmented Generation，检索增

流式对话 UI 表面上是「后端推 chunk、前端拼进 state」，实际上线后通常会碰到这几类问题：Markdown 边输出边闪、每个 chunk 触发重渲染导致掉帧、自动滚动打断用户翻历史、点了停

本文是得物技术专家在 AICon 上海演讲整理的技术实录。 「得物推荐 AI Harness 工程化实践系列」的开篇内容，本系列共三篇连载。将系统拆解得物推荐复杂业务场景下，AI代码从生成、防护校验到

AI Agent 组成：像人一样思考的智能体 全局架构图 在展开各层之前，先给出一张全局架构总览——以 MLLM 为中心，把感知、大脑、思考方式、记忆、动作、能力协作、Skill 全部画在一张图上，看

拆解 LangGraph.js 最核心的 Pregel 执行引擎——看它如何用 Superstep、Channel 和 Checkpoint 三板斧，解决 AI Agent 编排中状态管理、并行执行、

一条JSON-RPC消息如何穿越四层架构完成交付？深入MCP TypeScript SDK源码，拆解从管道字节到协议分发的完整链路。

工作流引擎里 Flowable 用得最多，但很多团队接完后都有一个感受：流程引擎和业务代码搅在一起，越写越乱。 典型的乱象长这样： 问题在哪？ 业务代码侵入流程引擎 API：RuntimeServic

vLLM 是加州大学伯克利分校开发的高性能大语言模型推理引擎，核心创新 PagedAttention 借鉴操作系统虚拟内存分页机制管理 KV 缓存，将显存碎片浪费控制在 4% 以内

如果你看过我之前那篇 Story Automator 上手实录，应该还记得我最后的结论： 那篇文章里我留了个没回答的问题——**为什么它跑得比人手工还慢？**我当时说"还没仔细分析它的实现原理"。 现