本文系统整理了 Jev 及同类决策模型的学习资料，涵盖 12 大主题、58 份资料、80 个链接。文章首先解释了 Jev 是 TypeSafe AI 推出的决策模型，输入为状态、问题和候选项，输出为结构化的选择、评分及概率分布。作者分析了评估此类模型的关键维度：动态候选项、受限输出与概率校准、推理方式、训练方式及答案边界。随后提供了按目的划分的阅读路径（入门、本地试用、训练研究、中文场景、Agent 应用），并分类整理了云端决策服务（OpenAI Decisions、Liquid d1）、开放模型（Cloudflare Clef、Perplexity Decider、GLiNER2.5-Decide）及本地社区实现（Laya、Kev）等资源，是一份完整的决策模型学习导航。
本文系统对比了 AI 智能体两大组成层面：Agent Harness 与 Agent Runtime。Harness 是位于 LLM 之上的应用逻辑层，负责执行循环、提示拼装、上下文管理、工具调用、状态跟踪与错误处理，决定智能体“想什么、怎么做”；Runtime 是承载执行的基础设施层，负责沙箱隔离、资源限制、网络与凭证管控、持久化与并发调度，决定“在哪、如何安全执行”。文章从定义、职责、生命周期、接口、资源管理、安全隔离、可扩展性、可观察性、部署模型、性能、故障恢复和典型用例等方面逐一比较，并给出示例代码与部署模式总结，帮助读者全面理解并实践二者设计。
本文是一篇面向初学者的 LangGraph 实战教程，介绍如何用 Python 从零搭建一个具备工具调用、推理决策和会话记忆能力的 AI Agent。文章首先讲解 LangGraph 的三个核心概念：State（状态/共享记忆）、Node（执行步骤）和 Edge（跳转逻辑），随后通过完整代码演示项目创建、工具定义、模型节点编写、条件路由实现、Graph 组装，以及通过 InMemorySaver 和 thread_id 实现多轮对话记忆。最终实现一个 ReAct 循环（思考→行动→观察→回答）的基础 Agent，并给出网页搜索、数据库查询、RAG 检索等扩展方向。
本文系统梳理了大模型 Agent 的记忆系统，指出其远不止保存聊天记录，而是包含记忆写入、抽取、冲突处理、检索、重排、遗忘等完整环节。文章将 Agent Memory 分为工作记忆、情景记忆、语义记忆、程序性记忆、时间与关系记忆、共享记忆六类，并逐类介绍代表性开源项目：如 LangGraph、LlamaIndex Memory、Microsoft Agent Framework、Generative Agents、Mem0、LangMem、Letta、A-MEM、Graphiti、Cognee、HippoRAG 等，分析各自设计思想、适用场景与局限性，为构建生产级 Agent 记忆系统提供了实用参考。
文章分析了 AI Agent 领域从依赖 MCP 回归 CLI 的趋势。MCP 曾被视为 Agent 连接外部工具的标准方案，但在本地开发和工程自动化场景中，CLI 兞现成太、节省上下文、易于调试复现、具备 Unix 管道组合能力且更接近真实执行环境。作者认为 MCP 并不会消失，二者正在重新分工：CLI 成为 Agent 的本地执行层，MCP 回到标准化集成层，用于远程能力、结构化发现和跨平台复用。
本文作者 Smartpig 指出，学习 AI 不应局限于二手总结，而应关注来自创业者、研究员和工程师的一手信息。文章推荐了 YouTube 上的 5 类核心资源：行业大佬访谈（如 Lex Fridman）、技术大会录像（如 YC）、官方机构频道（如 OpenAI）、实战工具教程以及 Andrej Karpathy 的深度技术解析。作者建议将 YouTube 视为信息库而非娱乐流，通过长期追踪和分析，建立独立判断和认知优势。
