OctaFuse Gateway 2.2.0 正式发布。 这次升级聚焦一件事：让路由配置更贴近真实的生产流量。 当一个模型同时接入多个账号、多个供应商或多条备用链路时，“先走谁、同层怎么选、失败后往哪

单 Agent 的状态管理已有成熟方案——Pregel 的 super-step 快照、pending writes 的容错设计、DeltaChannel 的增量压缩。但那些都是单 Agent 的问题

Multi-Agent 系统（一）：问题域与架构选型——为什么这次"固定流程"编排不动 一、业务场景：研发效能复盘为什么难自动化 研发效能分析是 TL、PM 和效能工程师的日常：写周报、做迭代复盘、分

假设你正在做一个 AI 编程助手。LangGraph 编排好了后端逻辑链，React 前端搭好了聊天界面，一切看起来都很顺。然后你开始处理 Agent 的输出，问题才真正浮出水面：LLM 吐出的一串串

但这篇论文的结论只覆盖了"过程式任务"（步骤已知、路径确定的任务）。但当用户丢进来一句"分析一下竞争对手最近的动态，汇总上周数据发我一份报告，顺便帮我约个会"，事情就完全不一样了。这种复合意图（com

langchain.js中stream()的 单模式 vs 多模式梳理，核心区别：返回的数据结构不同，需要不同方式解构获取数据。

重新认识 AgentScope-Java 2.0：ReActAgent 负责推理，HarnessAgent 负责运行 很多 Java 开发者第一次接触 Agent 框架，走的是同一条路：接入模型，写

本教程专注于最基础的环境搭建 + 纯对话能力，不涉及工具调用、文件系统等进阶功能，确保你最快跑通与大模型的交互。

Prompt Injection 防不住怎么办？从 Source-Sink 模型设计 Agent 安全边界 传统 Web 安全中，用户输入是数据，代码是指令，两者边界相对清晰。 AI Agent 打破

RAG 效果差，先别急着调 Prompt——问题多半出在检索。本文给出检索评测的完整工程方法：按难度分型构造评测集、锚词自动验证剔除无效 query、BM25/向量/RRF 三路对比 Hit@5

我现在用 ai 写代码很多时候都是一把梭的，也就是说我只需要给 ai 一个要求指令，剩下的就交给 ai了，现在模型能力确实越来越强，有时候我甚至可以不用 superpowers 这种工作流插件都可以做

2026 年 7 月 28 日，Anthropic 发布了 MCP 协议的第五次大版本修订。 这次更新的核心变化只有一句话 ：协议层不再维护会话状态。initialize 握手、Mcp-Session

以前配置 AI 网关，像在修飞机发动机：Provider Key 一堆、优先级一串、策略藏在字段里，改完还要心里默念「这次会不会打到对的上游」。 2.0.0 把重点放在了路由配置上，这个版本的目标很朴

一个语言模型，每次 API 调用都是独立事件。不记得上一轮说了什么，不知道三分钟前调过什么工具，更不会在进程崩溃后从断点恢复。它没有真正的主动性——本质上是被一个 while 循环推着走的。 这个 w

AgentOps 正在成为新热点：AI Agent 从 Demo 到生产，还缺什么？ 如果你也关注 Go、后端开发、AI Agent 与工程实践，欢迎点个关注。这里不只分享结论，也会持续记录踩坑过程、

做 AI Agent 开发的同学，大概率都走过这个弯路：把所有工具逻辑全写在 Agent 项目里，查数据库、读文件、调接口全部揉在一起。写的时候快捷省事，维护时却问题百出 —— 换个项目要重写一遍，遇

用 AI 写代码时，很多人只会裸聊提需求，导致 AI 不按规范、忘跑测试、反复返工。维护好 AGENTS.md，让 AI 知道项目规则、构建命令、编码规范，减少重复提醒，提升交付质量。

先说说为啥 Agent 非得用 child_process 我最开始其实也疑惑过，直接在 Node 里调命令不行吗，为啥非要整个子进程出来？后来想明白了，Node 本身是单线程跑 JS 的，主进程要处

我最早用 LangChain 做 Agent 的时候，写过这样一个"调试器"：在每个可能的调用点前面加 print()。LLM 调用之前 print，工具执行之后 print，Agent 思考步骤前后