-
让 Agent 像人一样记忆：本地长期记忆系统 HL-Mem 的设计与取舍
HL-Mem 是一套旨在让 Agent 像人一样具备长期记忆能力的本地化记忆系统，其核心设计理念是将记忆视为受治理的认知系统而非简单的数据存储。该系统借鉴认知科学原理，采用事实与经验双通道架构，通过保留不可变的原始事件（Event）和可更新的结构化事实（Claim），实现了证据可追溯、时间可解释（区分有效时间与记录时间）以及记忆的动态修正与遗忘。在工程实现上，HL-Mem 坚持运行时独立和本地优先…- 1.9k
- 0
-
从一次 LLM 调用到完整 Harness，Agent 到底经历了什么？
今天的 Agent 系统看起来很像一套小型操作系统：它们管理子 Agent 进程，维护长期记忆文件，通过工具驱动接触外部世界，还要处理权限、隔离、恢复和观测。可它们的起点并不宏大。最初，开发者手里只有一个把输入映射为输出的语言模型。 复杂性并不是一次设计出来的。每当模型试图越过一次调用的边界，系统就必须在模型外面增加一个新部件：模型不知道此前聊了什么，于是出现上下文；模型无法改变世界，于是出现工具…- 2k
- 0
-
我用 WorkBuddy + Obsidian：搭了一套懒人版个人知识库
AI非常聪明，但是要把它用好，却不容易！ 核心原因在于，我们给的上下文信息不够，使得它并不充分的了解我们。 因为很多信息是在我们的脑子里面的，很难凭空让AI知道，比如：熟悉的业务领域、做过的项目、踩过的坑、经验判断、思维方式、表达方式等。 为了使其更好的完成任务，我们每次和 AI 对话时，都不得不重新交代这些上下文信息，一遍又一遍的复述就很麻烦。 那么这里的解法是，把这些信息维护到个人知识库，让A…- 863
- 0
-
AI理解、引擎驱动：零代码搭建实时数据链路
直播数据团队创新性地提出"指标驱动"的实时数据开发范式，将复杂的流式计算简化为"维度+指标"的业务逻辑表达。用户仅需200字符内的自然语言描述，系统即可自动识别指标维度，通过AI辅助生成DSL并转换为Flink SQL任务，开发周期从天级缩短至分钟级。系统核心是指标驱动引擎，能自动回溯依赖关系构建链路拓扑，并采用"理解与正确性分离"架构确…- 1.2k
- 0
-
Code Review Skill: 让 AI 替你把关每一次提交
Code Review 这件事，嘴上都说重要，实际做起来能拖就拖。PR 挂了两天没人看，reviewer 扫一眼点了 approve，合进去才发现漏了个空指针。这不是哪个团队的问题，是所有团队的通病。 Zapier 的 Code Review 这个 Skill 试图解决的就是这件事。它不替代人类 reviewer，不要求你改 workflow，也不在代码仓库里加一堆 bot 配置。它的定位很明确：…- 944
- 0
-
AutoResearch-LLM：让 Agent 接手 LLM 训练优化
阿里妹导读 本文是一份 LLM 微调 AutoResearch 落地实战。作者把过去几个月在电商场景（Query 改写 / 同款判定 / 重排打分）上做 Qwen3 微调时的完整流水线沉淀成一个由 Agent 驱动的三阶段框架：场景诊断 → 方案设计 → 自动化实验，同时把踩过的坑（PyTorch 2.6 vs DeepSpeed、Qwen3 thinking mode 让 BLEU 掉到个位数、…- 1.3k
- 0
-
构建 AI 时代的知识底座：直播数据 LLM Wiki 实践
阿里妹导读 文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。 一、为什么要知识库 领域知识决定了 AI 在业务中能发挥多大的价值和作用。任何 AI 系统都由模型、知识、架构三部分组成。模型由供应商提供，只能被动接受；架构常因模型能力升级而失效重做。相比之下，领域知识只能从内部积累——不可替代，且随业务演进而持续变化，是最值得长期投入的部分。 然而，领域知识的沉淀面临诸多挑战，…- 1.5k
- 0
-
万字解读 Avi Chawla《2026 LLM工程师路线图》，8 层能力框架看 AI 应用工程
大家都非常关注一个话题：在 AI 热潮越来越猛的今天，普通人到底该怎么进入 AI 行业？ 如果你最近也在焦虑、在内耗，不知道该学什么、不知道该怎么开始，这篇文章应该会对你有帮助。 最近我看到 Avi Chawla 发了一篇文章，叫：《The 2026 LLM Engineering Roadmap》，翻译过来就是： 2026 LLM 工程师路线图 简单介绍： Avi Chawla 可以理解为一个 …- 1.9k
- 0
-
LLM：会”接龙”的超级书虫
你有没有好奇过 ChatGPT、Claude、文心一言……这些AI是怎么"懂"我们说话的？ 它们不是真的在"理解"你，而是在做一件事：接龙。 一句话理解 LLM = Large Language Model，大语言模型 —— 本质上是一个读了整个互联网的"超级书虫"，它的核心能力是预测"下一个词最可能是什么"。 换句话…- 870
- 0