AGI技巧

从微软两篇最新研究论文出发，系统梳理 Agent Skill 的完整生命周期评测框架与 SkillOpt 文本空间优化方法，揭示"技巧好看不代表好用"的本质原因

深入讲解上下文工程（Context Engineering）的核心：上下文的五个来源及其 Token 成本剖析、预算约束下的动态上下文组装、以及上下文溢出时截断/摘要/检索三种策略的真实对比。附源码

深入拆解 Agentic RAG 与 Pipeline RAG 的本质区别：Agent 如何自主决定是否检索、查哪个知识库、以及检索质量不足时如何自我修正。

深入讲解 Agent 的四种记忆类型（感觉/工作/情景/语义）与 LangGraph 实现的对应关系，三种上下文管理策略（截断/摘要/检索）的实测对比

深入拆解 Agent 意图识别层的必要性：关键词方案为何在生产中失效、LLM 分类器如何处理自然语言歧义、LangGraph 如何把不同意图路由到专项 Agent

深入拆解 Tool Calling 的核心机制：工具设计三要素（接口/验证/安全）、Pydantic 参数校验、并行调用的真实表现、三大安全威胁防护，以及错误分类如何影响 Agent 的重试行为。

深入解析 Plan-and-Solve 范式：当 ReAct 的贪心策略在复杂任务上撞墙，如何引入显式规划层突破瓶颈。附完整 LangGraph 实现代码

深入解析 ReAct（Reasoning + Acting）范式：Thought → Action → Observation 三元组循环如何让 Agent 真正"思考"。附完整可运行示例代码

从实际项目痛点出发，系统介绍 Harness Engineering 框架、5 种多 Agent 协作模式、Claude Code 长期记忆方案和持续学习机制，帮助你构建稳定、高效的 AI Agent

Agent 系列第一篇。厘清 LLM、Chatbot、Agent 三者的本质区别，理解 Agent 的四要素，以及流程驱动 vs AI Native 两种范型

代码不是文档，它有结构（函数/类）、语义（docstring）和调用关系（call graph）——普通文本分块会把这些全部丢掉。本文带你实践如何做代码RAG

真实文档里 30%–50% 的信息藏在图片和表格里，文本 RAG 完全看不到。三条处理路线：OCR/解析提取后文本化（最成熟）、CLIP 多模态 Embedding（图文同一向量空间）

Gemini 1.5 Pro 和 Claude 的百万 token 上下文窗口，让一部分人觉得 RAG 要过时了。这篇文章拆解两条路的实际代价

一次 RAG 请求涉及两种 API 调用：Embedding 和 LLM，都是按量计费且有延迟。四种优化：LLM 响应缓存（相同问题 0ms 返回，5057ms→0.8ms）、Embedding 缓存

Demo 级 RAG 对所有用户共享同一个向量库，任何人都能检索到任何内容。企业场景需要三件事：多租户隔离（、权限控制（工程师看不到 HR 文档，HR 看不到财务数据）和服务化

知识库每天都在变：文档更新、新增、下线。Naive RAG 的做法是全量重建索引，把所有文档重新 embed 一遍。如何能够实现动态更新呢？本篇带你来了解动态更新RAG方案，附可运行源码

单轮 RAG 每次都把原始问题直接送检索，但"它有哪四个指标""其中哪个最难提升"这类追问在没有上下文时检索会完全失效。本篇给出解决方案

Pipeline RAG 把检索结果原封不动传给 LLM，好坏都将就。Agentic RAG 把检索变成工具：先分类问题选策略，检索后打质量分，不合格就换策略重试。

向量检索找的是"相似文档"，对实体间的关系网络是盲的。Graph RAG 把文档构建成知识图谱，用图遍历代替相似度搜索。

传统 RAG 盲目信任检索结果，知识库覆盖不到时照样生成。CRAG 的思路：先给检索结果打分，不合格就触发网络搜索兜底。用 LangGraph 实现完整流程，附可执行源码