AIGC

简单实战一下 Agent 记忆系统（二）：文件系统记忆 前言 上一篇我们搞定了单次会话内的上下文管理——Bootstrap 预加载身份和规则、Tool Result 剪枝、对话压缩，三个机制都是在管理

简单实战一下 Agent 记忆系统（一）：上下文管理 前言 用 Agent 写代码时间久了，有个感受越来越强：Agent 的上限不在模型能力，在上下文管理。 模型本身够聪明了。

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

LangChain 生态早已不是“一个框架打天下”。在这个生态里，**LangChain**、**LangGraph**和 **Deep Agents SDK**扮演着完全不同的角色

多路召回的本质是用不同视角弥补单路的偏差。但多路结果合并时，面临一个核心难题：分数不可比。向量相似度 0~1，BM25 几千几万，图检索是跳数——直接加权融合会失真。

最近体验了一下 Hermes Agent，本地部署比预想简单，核心能力是把 LLM、工具调用、消息平台和 Agent Runtime 串起来。

通过在 markdown 文件里把依赖技能互相链接起来，构建出一张 skill graph，就像你在 Obsidian 里把笔记互相连起来那样。

本文介绍 三种主流流派（OpenAI天花板、国产平替、Claude特立独行）控制LLM稳定输出json的方式

有人认为 Agent 将取代 Workflow，成为未来的主流交互范式；也有人认为 Workflow 的确定性是业务系统的基石，不可动摇。本文旨在探讨二者在 AI 时代下的真实关系，并试图厘清从传统自

到了多 Agent 时代，上下文工程问题发生了质变。我们不再面对一个窗口，而是面对一组物理隔离、逻辑关联的窗口集群。

浅谈Agent上下文工程 引言 上下文窗口是 LLM 最核心、最昂贵，也是最稀缺的资源。如何在这有限的空间里，精准地组织、管理和提供信息，直接决定了 Agent 的性能、成本与可靠性。

上下文隔离的两种模式 ——从 Manus 的实践，看多 Agent 架构的真实成本 引言：多 Agent 的真正难点，是“会不会协作”

AI Agent的Context Engineering：构建Manus的经验教训。Manuns为何放弃模型微调选择了上下文工程？

摘要、压缩与处理大工具输出的工程实践——从 Manus 的经验，看 Context Engineering 的“高风险区”

浅谈上下文工程｜从 Claude Code 、Manus 和 Kiro 看提示工程到上下文工程的转变

随着大模型上下文窗口扩展，Agent核心瓶颈已从提示设计转向上下文管理。本文从"上下文腐烂"出发，分析污染、干扰、混淆、冲突四类失效模式，结合WSCI工程操作，系统阐述稳定可扩展的Agent上下文。

本文章介绍了为什么要使用rerank模型，以及embedding模型和rerank的模型的特点，非常适合了解技术背后的原因。

jetty容器部署 websocket的war包报错，jetty容器默认不支持websocket，需要使用命令生成websocket的module。

后端流式响应测试环境https请求正常，服务上线后，https请求页面响应卡顿，经过排查，Nginx流式响应的配置默认开启缓冲区，本文记录排查过程。