F2的AI学习笔记

下文是AI的“工作记忆”，其质量直接决定输出水平。Manus的六条经验，精准概括了从内容筛选、结构设计到边界控制的精髓。

Lance Martin，斯坦福博士、LangChain 工程师。内容整理自他与 Manus 联合创始人纪逸超（Yichao “Peak” Ji）的一次视频会议。

该文章由LangChain于2025年11月21日发布，聚焦大语言模型（LLM）智能体（Agent）的核心痛点——上下文工程（Context Engineering）优化，提出以文件系统（Filesy

由 Chroma 研究人员（Kelly Hong、Anton Troynikov 和 Jeff Huber）提出的“语境腐烂”，描述了 LLM 在处理越来越长的输入时，其利用上下文信息的能力会逐渐衰退

本文是核心组件详解的进阶篇，重点解析 LangChain 1.0 的高级架构设计。深入探讨复杂工作流的编排策略、自定义中间件开发、Agent状态深度管理，以及生产环境下的性能优化技巧。通过源码级分析和

**LangChain 1.0 核心架构精要** 本文深入解析 LangChain 1.0 智能代理的核心组件。从模型的静态/动态选择与工具调用，到消息系统的标准化内容块；从结构化输出的 ToolS

背景 AI Agent（智能体）是基于 LLM（大语言模型）构建的智能系统，能够自主理解人类的自然语言指令，感知环境状态，决策并采取行动。 智能体的核心要素包括：记忆、工具、知识与规划。 更多关于智能