深度学习机器

UltraRAG作为一个RAG框架，比较适合RAG科研人员使用，可以快速实验各种复杂的 RAG 策略，而无需重写大量代码，只需修改 YAML 文件。

本项目采用了经典的RAG架构进行开发，基于向量数据库并结合语义检索，搭配IDE内置的命令行工具，可以减少代码库索引时可能存在的token过度消耗和长时间等待，兼容常见的AI IDE

aisuite作为一个开源的Python库，通过提供统一的接口和灵活的模型切换机制，简化了跨多个LLM提供商的集成过程。对于经常使用不同LLM的开发者来说，可以显著降低开发门槛，提高开发效率.

LangExtract正是基于这一背景诞生的一个Python框架。它并非仅仅是对 API 的简单封装，而是围绕 “Schema 驱动抽取”思想构建的，具备高度可扩展性和生产级能力的解决方案。

OpenAI现如今主推Responses API，并不仅仅是命名更新，而是为Agent、多模态、检索增强等应用场景进行的架构升级，以期成为另一个Chat Completions的标准制定者。

随着LLM的能力越来越强，Agent设计中更多决策权会交给模型，但是在Deep Research这种场景下，好像还是以工作流作为基本实现思路会更加合适一些，用于确保生成研究内容的质量下限。

之前的文章介绍过主控Agent以及上下文实现的细节，除了主控Agent和上下文管理外，工具实现也是Agentic的一个重要环节。

在沉寂了半年之后，智谱推出了新一代开源模型GLM-4.5系列，采用MOE架构并使用混合推理模式。模型统一提升了在推理、代码与智能体等多方面的能力，专为复杂智能体应用打造。

gemini-cli 从开源至今仅一个多月，已经收获接近65K Star，作为第一个开源的通用命令行智能体工具，现如今功能已经非常完善。本文将对源码进行解析，学习其中优秀Agent设计思路