AI 思考的快与慢

大模型是有知识边界的，无法获取实时数据。要让大模型了解更新世界知识，结合搜索引擎的能力是最佳方式之一。本文介绍如何大模型支持联网搜索的实现方案。

人机协作（Human-in-loop）AI Agent 开发是一种协作方法，它将人类输入和专业知识融入到 AI 应用开发的生命周期中。人类可以参与到模型的训练、评估和运行，提供有价值的反馈、输入和指导

背景 AI 应用的状态持久化（Persistence）可以让用户在多轮交互中共享上下文能力，让 Agent 记住之前的互动，提供更具交互性和个性化的使用体验。

可自我纠错的 RAG 设计模式，通过设计一套 evaluator，实现普遍适用、精准可衡量的评价指标

Tool-use agent 就像人类打开了使用工具的新世界一样，帮助 LLM 扩展能力边界，从外部寻找合适工具的助手。

人类最显著特征之一就是能够使用工具。对于 AI Agent 来说，调用外部工具，可以扩展 LLM 既有能力的边界，包括代码执行能力、上下文扩展能力和三方能力集成等。

Reflection 设计模式是让 Agent 审视并修正自己的输出，Langgraph 基于人在回路的交互方式让 AI 应用更可靠

一步一步处理方式正是区别于 Agent（智能体）和 LLM 的核心，背后的原理也正是卡尼曼的「慢思考」理论。