-
垂类业务如何落地生产级 Agent
AI 技术正在以前所未有的速度迭代，Agent、Loop-Engineering、Skills、Harness、LLM-Wiki、RAG、Memory等概念在短期内几乎同时涌入工程讨论，Demo 的构建门槛被持续压低——可视化编排加上 Vibe-Coding，一个过去需要数周才能搭起来的演示，如今往往几天或者在更短的时间内就能跑通。但进入企业生产环境之后，稳定性、可控性、可审计性和业务闭环能力，仍…- 1.3k
- 0
-
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
-
【AI 创新实践】“架构师 Agent” 系统化落地
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。 前言：当前，在业界，AI 仍然无法很好的理解“复杂技术系统”，也无法针对性的达成完善的技术方案设计，“架构师”仍然只能由“人”担任。繁忙业务的架构师每天仍然要参与 N 多个技术讨论、技术决策，去讲自己的技术思考、技术设计—— 架构师的人力瓶颈明显。 单个技术系统内部AI 逻辑理解和推理，在业界已经有了比较好的落地，而对于“跨复…- 1.3k
- 0
-
AI 创新实践｜「架构师 Agent」系统化落地
当前，在业界，AI 仍然无法很好的理解“复杂技术系统”，也无法针对性的达成完善的技术方案设计，“架构师”仍然只能由“人”担任。繁忙业务的架构师每天仍然要参与 N 多个技术讨论、技术决策，去讲自己的技术思考、技术设计—— 架构师的人力瓶颈明显。 单个技术系统内部AI 逻辑理解和推理，在业界已经有了比较好的落地，但对于“跨复杂业务系统的架构理解与设计”并没有比较好的系统性解决方案提出来；而这个 top…- 1.4k
- 0
-
Book-to-skill：把一本 400 页的技术书，编译成 Agent 按需加载的技能
你买了一本《Designing Data-Intensive Applications》，啃了三个月，划线、做笔记，以为终于懂了。半年后写代码遇到复制延迟的问题，你隐约记得书里第五章讲过，但具体说了什么、用了什么术语，全忘了。打开 PDF 搜 replication，返回 47 个结果分布在 23 页里。把整本书丢给 Claude？一本 400 页的书大概 20 万 token，每问一次就烧一次全…- 1.2k
- 0
-
从模型能力到业务可用：小米零售 AI 问数实践
“当前店里库存压了多少?”“新品销售情况怎么样?”“这个月销售目标完成没?”这些一线店长每天要面对的问题，看似只是“问个数”，但要让 AI 真正服务业务，还需要解决指标口径、查询规则和数据权限等问题。 小米中国区零售团队从 Text-to-SQL 转向 Text-to-Metrics，并围绕指标治理、语义路由、查询执行和评测体系进行工程化建设。本文记录这套方案的实践过程。 01 为什么需要调整技术…- 1.2k
- 0
-
Anydoc：把 Office 文档转 Markdown 这件事，Firecrawl 直接开源了一个引擎
一个仓库从创建到冲到 1.6 万 Star，用了不到两周。anydoc 在 2026 年 8 月 3 日才第一次提交，到今天 8 月 16 日，已经攒下 16386 个 Star 和 916 个 fork。这个速度放在 Rust 工具链里相当反常，尤其是它解决的问题听起来一点都不性感：把 Word、Excel、PPT 这些办公文档转成干净的 Markdown。 我第一次看到这个数据时的反应不是惊叹…- 1.2k
- 0
-
Agentic RAG、本体论、知识图谱：企业AI知识库到底该怎么做？
受今年小龙虾 OpenClaw 热潮影响，AI 办公领域得到了长足的发展，数字员工、超级 AI 员工、员工蒸馏等概念层出不穷。 随着企业老板在 AI 侧的“认知提升”，AI 在业务侧的应用变得更丰富，最大的特点是：由去年的工作流类项目为主变成了现在的 AI 知识库，这也说明很多企业逐渐进入了深水区。 但是，不同于工作流类项目，AI 知识库类项目难度会更高，很多企业在这块付出了不低的试错成本，所以今…- 1k
- 0
-
PixelRAG：让 AI 第一次”看见”网页，而不是”读”网页
正常人的直觉是：要让 AI 理解网页内容，先把 HTML 解析成纯文本，再做检索。这个流程自搜索引擎诞生以来就没怎么变过。 PixelRAG 说不对。不是"还不够好"，是方向错了。这篇论文的标题就敢叫 “Web Screenshots Beat Text for Retrieval-Augmented Generation”，翻译过来就是：网页截图，干翻了文本检索。学术论文很少…- 1k
- 0
-
向量检索、知识图谱与 LLM Wiki：RAG 被嘲笑了三年，但企业还是离不开它
RAG在网上已经死过很多遍了，谁用谁Low，但是实际上很多的企业知识库仍然在使用，并且依然是主流选择方案。 但是，这些论调会把很多人带偏，尤其是对知识库和RAG没有体系化认知的同学。 这里我们首先要理解一个问题：在AI时代，知识库为啥变得如此被需要？ 大模型在回答问题时，它只知道公域知识，并不知道我们私域的知识，在这种情况下它就容易出现幻觉，胡乱编造一些看似正确的答案给我们。 为了缓解这个问题，我…- 1.3k
- 0
-
知识库分层编排：从 RAG 到 Agent-native Knowledge Context Layer
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、知识库的根本困境 从一个知识库检索超级微服务高级skill开始的思考。 1.1 RAG 的天花板 RAG（Retrieval-Augmented Generation）是当前最流行的知识库方案：把文档切成 chunk → embedding → 用户 query 时向量检索 Top-K → 喂给 LLM 生成答…- 1.4k
- 0
-
Agent 需要 RAG 吗？
依旧延续周一 TGO 闭门会的分享思考，核心话题是：如何真正蒸馏一个人 + 如果完成了蒸馏动作，应该如何形成企业级 Agentic RAG 数据库类应用？ 怎么说呢，现阶段为了适应 Agent 发展，模型本身已经往前走了很大一步，最核心的两个能力： 一个来自于模型本身，提供了百万级上下文窗口； 一个来源于工程能力优化，Skills 缓解了模型不稳定问题； 现阶段 Agent，在数据处理一块有了很大…- 971
- 0
-
Nexus：RAG 时代终结？编译器 AI 知识层来了
最近 Pinecone 发布了一个新东西：Nexus。最早我是在抖音上看到的，说实话，这种标题挺吓人的，低劣但有效，我都忍不住要点进去： RAG 时代终结了。 向量数据库不够用了。 Agent 需要 Knowledge Engine。 因为过去两年很多企业刚刚理解什么是 RAG，刚刚知道知识库不是把 PDF 丢给大模型，刚刚开始研究向量数据库、Embedding、Chunk、TopK、Rerank…- 1.7k
- 0
-
Vector Database（向量数据库）：AI的”记忆宫殿”
一个让你脊背发凉的事实： 你每天在淘宝、抖音、豆瓣上的每一次"猜你喜欢"点击，都在帮一个数据库变得更聪明——而这个数据库存的，不是文字，是数字。 它叫向量数据库（Vector Database）。 一句话理解 向量数据库 = 专门存储"味道"（语义相似度）的数据库，让AI能快速找到和某个东西"最像"的其他东西。 它是怎么工作的 普通数据库…- 1.4k
- 0
-
向量库是RAG的前菜，知识图谱是答案，本体论是灵魂
在最初做RAG系统的时候有个几乎绑定的名词：向量库。所以他是什么呢？ 应该说向量库是一个理论上很美好的名词，他是一类用于存储和检索向量的数据系统，这里有两点要注意： 向量（embedding），可以将一段文本、图片、音频等内容，通过embedding模型编码成一个高维数组； 检索，现在拿着一个查询向量，理想情况下向量库可以快速找到最相似的Top-K条类目，这里可以带上原文片段等信息； 所以，向量库…- 1.1k
- 0
-
【万字剖析】抛开 RAG 谈蒸馏.skill，大概率是形式主义
上周我拜访了前老板，他们应该是国内做 AI 应用最深的一批公司，相应着整个团队对 AI 的应用及理解都很到位，于是乎我问了他一个问题： 老板你觉得什么是 AI 原生团队/应用，对应着团队的组织结构会有什么变化吗？ 说实话，因为打招呼做得太倡促，这并不是一个好问题，因为问的太大了(无论是与模型对话，还是与高端人士对话，问对问题都很关键)，挺不好切入的... 然后对话在艰难的推进，过程中老板嫌无聊，还…- 1.2k
- 0
-
告别“伪智能”代码：用 Spec + RAG 打造真正懂你的AI程序员
引言：AI Coding 提升代码质量的关键 ——知识库的深度建设 在当前 AI Coding 快速普及的背景下，业界普遍面临一个核心矛盾：模型“能写” ≠ “写得对”。尤其在高频迭代、强业务耦合的场景中，代码的正确性、可维护性和一致性远比“能生成”更重要。 要突破这一瓶颈，关键在于让 AI 不仅“会写”，更要“懂上下文”——即深刻理解特定项目的技术契约、业务语义与工程惯例。为此，我们提出构建一…- 33
- 0
-
RAG：让AI先查资料再答题的聪明玩法
你有没有过这种经历——考试前把整本书都翻开了，结果看到一道题还是不知道该翻哪页？ AI也有同样的困扰。 一句话理解 RAG = 先查资料，再回答——就像你考试时先看一遍书再答题，而不是裸考。 它是怎么工作的 想象你问AI："特斯拉2024年的营收是多少？" 没有RAG的AI：就像一个记忆力超群但完全没看过特斯拉财报的书呆子。它会根据自己"听说过的知识"瞎编一…- 819
- 0
-
半年人工喂出来的AI客服：从0到1打磨生产级RAG系统，越用越聪明
之前我们说过23年是模型初年，主要行业主要着眼于模型，史称百模大战； 然后很快大家发现确实卷不动，于是开始冷静下来，找切实的落地场景，所以24年都在做应用，AI应用三巨头依次是：AIGC（窗口生成文案）、工作流AI、然后就是AI客服了。 而后25年在AI视觉这块需求变多、成熟的AI Coding异军突起，但复杂的AI客服依旧有很大的需求，AI客服这个也被认为是RAG类的应用，看上去简单，只不过很多…- 722
- 0