Codex 与 Claude Code 的持久化记忆：两条不用向量库的路线 一提「给 Agent 加长期记忆」，很多人脑子里立刻蹦出那套标准答案：切块、Embedding、向量库、相似度 Top-K、

副标题（TL;DR）：这不是又一个「调一下 Chat API」的具 Demo而是一套把 DeepAgent 的规划、工具、官方 Skills、文件系统与会话持久化，装进 Vue 聊天界面的可运行工程。

"多数新闻站都禁止内嵌"——这句话我信了很久，直到测了 16 个站点 TL;DR 三句话讲清这篇在讲什么： 知识库答不上来的问题，只能靠搜索：我按"信息的三档时效"把工具分了四类——静态知识走 RAG

答案一个字一个字往外蹦，聊天记录却一条都没存下来 TL;DR 三句话讲清这篇在讲什么： 怎么让答案逐字蹦出来：后端用 sse_starlette 把 LLM 的 token 流原样推给浏览器，前端用

把整个 Cloudflare Workers 平台装进一个 Rust 二进制：零依赖、极低内存、一键安装，你的原有项目无需改一行代码。Agent 时代，我重新发明一次 Private Cloud。

会话内的事算记忆吗 有人说不算。理由是：工作记忆就是 prompt 本身，模型读一遍就完事了，压根没存下来，那算什么记忆。 也有人说，这就是短期记忆。 其实会话内真正在做的事不是“存”，是“取舍”：什

使用软著Skill后，可以一键生成软著申请材料啦，不用再逐个手动整理~申请表、操作手册和代码材料一次性生成

前言 在构建复杂的 AI Agent 应用时，单 Agent 架构往往面临以下挑战： Token 消耗高：所有工具描述和 Prompt 都放在 system prompt 中，每次调用都携带大量无关信

这篇文章它会说明项目要解决什么问题、服务哪些研发角色、为什么拆成四个系统和八个工程，以及一条需求如何在 Agent、Jira、GitLab、知识库、流程引擎和发布平台之间流转

从代码补全到智能体协作，LSP、MCP、ACP 三条协议正在编织下一代软件的底层通信网络。一文看懂它们的分工与协同。

项目能跑、模型能调用，不代表 Tool 和 Service 已经分对。本文结合 AgentScope Java 与代码审查小助手源码，拆解 @Tool 的执行链路和业务边界。

DSH存在4漏洞：配置注入、VM逃逸、subprocess RCE。Prompt Injection可触发端到端攻击。

AI时代，架构师需从设计软件结构转向构建企业知识本体，让AI能可靠理解、推理、行动并审计，而非仅做相似度检索。

AgentScope Java 2.0.2 中 AgentStateStore 的完整用法：AgentState 与 Store 的分工、槽位语义、保存与恢复链路、六项边界测试，以及恢复出来的历史为什

上一篇《【Pipecat】基于 Pipecat 的 Voice Agent 实践》里，介绍了参考 Tana 做会议助手 MVP 的过程。从前端的卡片布局，到让 Agent 听我们说话、看共享屏幕

这篇文章不教你怎么用 AI 老师上课，而是把 OpenMAIC 当成一个生产级 Agent 应用的解剖样本，看它源码里有哪些能直接搬走的工程范式。

从这一篇开始，我们正式进入 RAG 系列教程。相比简单的知识库 Demo，真实项目更关注检索是否准确、回答是否可靠，以及整个链路如何稳定运行。本文将从原理到代码，带你跑通完整 RAG 流程。

一、从一段代码开始 如果你接触过 LangChain，一定见过这样的代码： 这短短几行，背后是一个深刻的概念——AI 工作流（Workflow）。pipe 像传送带一样把数据从上一个节点送到下一个节点

讲清 Agent：闭环、工具调用、记忆，以及 MCP 和 A2A 面试高频：传统模型和 Agent 的区别、闭环怎么转、MCP 和 A2A 各管什么。 本文一条主线：目标 → 规划 → 工具 → 记忆