本文介绍 Ben Clavié 在 AI Engineer World's Fair 的演讲，主张知识型 Agent 不应照搬 Coding Agent 范式。核心观点：编程智能体的成功源于代码环境的结构化红利；而法律、医疗、投研等知识任务的难点在于正确定位、理解和验证证据。要构建可用的知识 Agent，需具备面向任务的高质量检索工具（含图表、扫描件等多模态内容），以及主智能体负责任务分解、子智能体承担专业分工的编排架构。文章还给出企业级建设的优先级建议：定义可验证任务、建设证据层、按需拆分智能体、多维度评估并保留人工审核。
文章讨论了如何搭建真正对 AI 协作有用的个人知识库。作者认为对通用内容做无脑模板蒸馏价值有限，知识库的关键在于加入个人增量：聊天记录、人生经历、收藏的筛选理由与批注、任务复盘等。文章具体介绍了四套流程：微信聊天记录的本地脱敏与全量地图提取、AI 人生回顾式采访、收藏内容的分层入库与横向比对、按事实-原因-规则三层复盘。这些方法被封装为 lab-wx-distillation、lab-life-reviewer、lab-intake、lab-retrospective 四个 Skill，配合 Lab Ontology 系统组织检索，让知识库成为个人经历与判断的长期上下文。
本文整理了 Hamel Husain 的 Maven 课程「AI Product Engineering」13 场讲座（共 9.5 小时）的笔记精华，按 Evals、Context、Systems 三大主题组织。核心结论是 AI 产品优化的顺序：先优化检索与上下文（投入产出比最高），再改进系统与执行框架，最后才考虑 post-training。Evals 贯穿一切改进，是判断优化效果的前提。文章涵盖数据 Agent 评测、模型级联降本、自动化错误分析、多向量检索、嵌入模型优化、OCR 选型、推理延迟调试、开源模型经济学等具体实践，强调评测环境应反映生产环境的真实脏乱，模型推理能力往往远超其所得的检索质量。
本文介绍如何构建一个带引用溯源的文档问答Agent（Grounded Document Agent）。核心问题是PDF解析质量决定答案上限：双栏排版、表格、图表等常被错误扁平化。项目使用LlamaParse在云端进行布局感知的Markdown解析并保留页码元数据，随后通过Ollama本地运行nomic-embed-text生成向量索引，配合CitationQueryEngine检索最相关的段落并生成带编号引用的答案。解析结果按文件哈希缓存以节省成本。界面展示页码、检索文本和相关度评分，让用户可检验引用背后的原始证据，区分解析、检索或生成阶段的错误。
文章包含两条内容：一是 DeepSeek kernel 工程师 Shengyu Liu 的长文，讲述 AI 已能自主分析 CUDA/PTX/SASS 并优化 kernel，他预判半年到一年内 AI 写的 kernel 可能超过自己，工作将从亲手写代码变为驾驶 Agent，并担忧未来社会走向共产主义或赛博朋克两极，因此选择留在 DeepSeek 推动开源 AI。二是微信团队开源的 WeKnora 框架，已从 RAG 系统进化为企业 Agent 基础设施，提供知识处理、ReAct Agent、Sandbox 执行环境、长期记忆和 Auto-Wiki 能力，代表 RAG 向企业 Agent Context + Runtime 的迁移趋势。
本文是构建 Agent 记忆系统系列的第四篇，聚焦读取路径：如何检索已保存的知识并加以利用。文章首先强调根据问题类型选择检索方式——精确查找、相似案例识别或项目概览各有不同需求。接着对比了四种搜索方法：关键词匹配、语义搜索、图遍历和 Agentic 检索，指出 Agentic 检索能综合运用其他方法并随信息获取调整调查策略。文章还强调检索结果应具备可操作性，一条包含复现步骤和验证方式的笔记远比泛泛的描述更有价值。最后提醒要注重精确度，避免给 Agent 返回过多无关信息造成干扰，因为它可能将小问题扩大成大改动。
作者结合实际工作经验，整理出一份 AI Harness 开发的 11 条技能清单，涵盖后端与系统设计、RAG 与向量数据库、记忆与上下文管理、工具调用与 MCP、Agent 编排、护栏校验、评测、可观测性、模型路由降级、排队负载均衡以及推理部署引擎。作者指出 Harness 开发是硅谷热门方向（如 YC Demo Day 上大量项目），建议普通开发者从 AI 应用入手，把模型接入具体业务，并给出将清单交给 AI 逐项学习的 prompt 方法。
作者详细介绍了 pragatiLM 的构建过程——一个只基于用户提供的源（PDF、网页、YouTube 视频、字幕文件或粘贴文本）作答并附带可点击引用的 AI 笔记本。文章系统讲解了基础 RAG 的原理及其三大失效点：问题作为搜索键不佳、存储只单向单次搜索、输出缺乏自检。pragatiLM 采用九阶段检索管线：将问题转化为五个搜索变体、并行多通道检索、基于排名一致性融合、重排序、答案 grading，低分时基于缺失诊断再次检索，极低分时拒答。文章还涵盖基础设施、消融实验测试等内容。
本文探讨软件工程师如何转型为AI工程师。作者指出AI工程师日常工作中约80%仍是传统软件工程，核心是将现有AI模型（如GPT、Claude）集成到真实产品中。软件工程师已具备编程、API、数据库、系统设计等基础，只需补齐六大AI专项技能：理解LLM工作原理、调用LLM API、保证输出可靠性（提示工程与结构化输出）、掌握RAG与向量数据库、学习编排与Agent、以及LLMOps生产化运维。作者建议通过构建作品集、在团队中主动承担AI功能、使用AI工具提升效率来加速转型，强调转型并非抛弃既有技能，而是在其上叠加AI层。
本文是一篇面向新手的本地大模型部署教程，作者以 MacBook Pro（Ubuntu 24.04、AMD Ryzen AI MAX+ 395、128GB 统一内存）为例，详细讲解了如何用 Ollama 部署 Qwen3.8 27B 模型。文章先解释了本地 AI 的真正价值——隐私、控制权、可接入工作流，而非省钱；然后指导读者判断硬件是否够用、如何选择合适的模型版本和量化等级，并用五步完成部署验证。随后介绍通过 Open WebUI 搭建日常使用界面，以及如何接入个人资料构建知识库（RAG），应用于科研和内容创作场景，最终将 AI 从网页聊天框变成个人设备上的基础设施。
本文是一篇通俗易懂的 AI Agent 入门到进阶教程，讲解了 Agent 的核心原理与工程实践。作者用公式'Agent = 模型 + 目标 + 工具 + 记忆 + 运行循环 + 安全边界'拆解 Agent 构成，对比聊天机器人、自动化流程与 Agent 的差异。文章详细介绍三种经典模式（ReAct、Plan-and-Solve、Reflection）、工具设计的六条硬规则、提示词注入攻击防范、记忆/RAG/上下文工程的区别与用法，以及工作流、低代码、框架、自研四条实现路线的选择建议，并涉及 MCP、多智能体和 A2A 等概念。
文章探讨企业在 AI 落地中的真实场景：高容错、全自动闭环的高价值场景其实很少，AI 应服务于商业上下文而非替代决策。作者提出 AI 落地的三个微观切面：商业上下文组装器（压缩决策时间）、非结构化数据转换插头（结构化清洗入 CRM）、内部经验的平权分发（RAG 知识库）。针对传统企业“隐性知识”断层——经验锁在老员工脑中、缺乏数据沉淀——给出三种破局策略：过程拦截式沉淀、引入 FDE 人工提取上下文、让 AI 成为反向采访者。结论是 AI 应做 Copilot 而非 Autopilot。
作者对蚂蚁百灵发布的金融模型 Ling-3.0-flash-Fin 与其通用基座 Ling-3.0-flash 进行了 441 轮对比实测，使用微软 FY26 Q4 财报和宁德时代 2025 年报等一手公开材料，设计八类任务。结果显示两个模型都能以分析师水准完成建模、口径辨析、抗幻觉等任务，准确率上金融版没有体现出明显优势；唯一显著差距在长篇输出场景，金融版更易'想太多'后返回空白（研报撰写失败率 18.6% vs 0%）。文章还给出反直觉发现：长上下文直投比 RAG 检索更准、更快、更便宜，并坦诚记录了测评过程中的多次自我纠错。
文章以某制造业企业内部 AI 知识库项目为例，讲述企业知识库从演示走向真实交付的全过程。作者指出项目难点不只在模型，而在原始资料错误、隐性知识留存于老员工脑中、权限划分、数据接入与治理、复杂 PDF 处理、遗留系统接口及私有化部署等现实问题。文章强调需通过现场访谈、'半蹲'姿态沟通、工作范围说明（SOW）控制交付边界，用两套测试集完成测试与客户验收，并附落地检查清单供项目启动前自查。
本文是 Agent 记忆系列文章的第二篇，探讨知识的存储位置与表示形式。作者将记忆拆解为表示与存储、提取、检索、维护四个环节，重点讨论第一个问题：知识存放在哪里。文章指出表示（知识形态）与物理存储是两个独立决策，文件系统因编程代理擅长 bash 而成为极佳起点。作者提出应区分“产物”（发生过的记录）与“知识”（当前应相信的事实），知识应像物化视图一样回指来源产物。知识会过时，需要版本控制、分支与合并机制；且知识应被视为缓存而非全量存储，因为维护成本高昂。
作者通过一次融资会议记忆被重新解读的经历，指出记忆的本质不是固定表示，而是一个持久系统：保留过去的证据，并随新证据不断重新编译其意义。文章批评将向量数据库、知识图谱、上下文窗口等当作记忆的常见误解，认为它们只是从记忆编译出的临时表示。作者提出记忆编译产生三类产物：状态（按序折叠事件得到）、检索（查找相关证据的工具）和上下文（为单次调用组装的有界视图），并类比编译器的中间表示（IR），指出每种表示只适合特定操作，记忆本身应是唯一不可丢弃的持久层。
传统RAG存储成本高昂，百万级文档索引动辄数百GB，本地设备难以承载。LEANN采用新思路：不存储所有向量，只保留精简的图结构，检索时按需计算，实现存储节省97%且精度不减。它可在笔记本上全本地运行，支持索引文件系统、邮件、浏览器记录、微信/iMessage、ChatGPT/Claude对话、Slack/Twitter实时数据及代码库，零云成本、数据不出设备、注重隐私。该项目已入选MLsys 2026，适合关注隐私的个人语义搜索开发者。
本期早报围绕持久化 AI 同事时代的人机分工展开，精选三篇深度内容：OpenAI 产品负责人 Tara Seshan 阐述 AI 产品的三个时代，提出人应从划船转向掌舵，负责问题、假设与品味；Maersk 分享 AI 智能体在全球航运生产系统中可靠运行的架构，包括流程记忆、受限运行时与纠错闭环；Factory CTO 探讨模型选型、结果成本与模型主权，强调企业应掌控数据、工作流与评估标准以保留迁移能力。速览部分涵盖金融数据隔离架构、RAG 噪声治理、Robotaxi 经济学、AI 法律责任、JavaScript 批量赋值漏洞、AWS Kiro Crew 及游戏产业 AI 应用等七个话题。
作者基于与朋友交流中发现普通人对 AI 术语的困惑，整理出 66 个高频 AI 词汇，用生活化比喻逐一解释。内容涵盖：AI 与大模型基础（LLM、Token、上下文、多模态等）、聊天常见术语（Prompt、幻觉等）、RAG 与检索技术、以及 Agent、工具调用和 MCP 协议等热门概念。每个词都说明其含义、常见使用场景和记忆方法，帮助零基础读者建立 AI 术语的整体认知地图。
作者精选了25个GitHub开源项目，展示如何在2026年凭一己之力构建一家AI公司。内容分为五部分：构建AI核心（Dify、Langflow、LlamaIndex、crewAI、browser-use等）、将想法变成产品（open-saas、Supabase、Twenty CRM、Cal.com、Formbricks）、自动化小团队工作（n8n、trigger.dev、Windmill、Firecrawl、Crawl4AI）、获客与留存（PostHog、OpenStatus、Listmonk、Chatwoot）、以及基础设施运维（Ollama、LiteLLM等）。每个项目附功能简介和Star数，是一份实用的一人公司技术栈清单。
作者分享了将 Eval（评估体系）融入 Codex 工作流后的实践心得。核心观点是：AI Coding 越强，Eval 越重要，因为 Build 变便宜了，但'什么叫完成'并未变简单。文章指出 Tests Passed 不等于任务正确，Testing 是底线，Eval 是交付线。作者重构了工作流程：Baseline → Build → Test → Eval → Analyze → Fix → Re-Eval → Release，强调先跑 Baseline 而非上来就改 Prompt，利用失败分类找出瓶颈，通过 Release Gate 定义验收标准。同时提出 Ground Truth 必须由人工确认，AI 不能既出题又评分。最终结论：人应从让 AI 写代码，转向给 AI 定义验收标准。
本文介绍了一种低成本搭建课程售前知识库的方法：将课程介绍、购买咨询 FAQ 等资料整理到飞书知识库并公开分享，客户拿到链接后发给自己的豆包提问，豆包基于知识库内容作答；答不上的问题通过嵌入问卷收集，作者定期审核后将标准答案补充进 FAQ，实现知识库持续迭代。文章详细拆解了四个步骤：搭建知识库、发布分享、让客户结合豆包提问、持续更新，形成“客户问题不白问”的自动化售前答疑闭环。
作者为爆火的 DeepSeek Harness（DSH）开发了 Milvus 向量数据库插件 dsh-milvus 并开源。文章解析了 DSH 'Everything is a Plugin' 的微内核架构价值，说明为何将 Milvus 集成做成 Plugin 而非 Skill：Plugin 可硬性限制执行边界（如只读操作、limit 上限），避免模型幻觉带来的风险。文中还给出从 Docker 启动 Milvus、安装 DSH CLI 与插件、配置 Profile 到让 Agent 完成列表、Schema 描述、Scalar Query 和语义搜索的完整实战教程。
本文提供了一份从零到可就业的 AI 工程师分阶段学习路线图，区别于单纯的技能清单，每个阶段都附带经过验证的优质课程、文档和书籍。路线涵盖六个阶段：软件工程基础（Python、API、Git）、LLM 工作原理（Karpathy 课程、3Blue1Brown）、提示工程与 API 掌握、RAG 检索增强生成（最具就业价值的技能）、Agent 与编排（LangGraph、MCP）、以及评估与生产部署。作者建议用 8-12 个月完成学习，并强调构建真实项目组合和公开写作是获得雇佣的关键。
作者逐一核对了 Anthropic 官方帮助中心与开发者文档，验证了网上流传的 Claude Pro 省 token 技巧。文章指出用量消耗取决于消息长度、文件大小、对话长度、工具使用、模型选择等因素，其中对话长度影响最大，因为每条新消息都会重新处理整个上下文。被证实的技巧包括：将多个请求合并到一条消息中发送、利用 Projects 的缓存机制存储参考资料、及时关闭不需要的工具与扩展思考、坚持一个话题一个对话并养成及时开新对话的习惯。文章还澄清了某些流传的所谓文件数量上限并无官方依据。
文章指出许多企业AI项目验收后使用率低迷，核心原因是企业知识未能有效管理和利用。作者提出知识工程是大型企业AI落地的必修课：知识入库前需经过校验、清洗、预标注和抽取等准入环节；入库后需进行生命周期管理、版本控制和健康监测。文章还介绍了知识库与知识空间的双层组织方式、细粒度权限控制，以及通过用户反馈形成知识闭环的机制。最后强调项目成败关键在于组织与人的参与，决策者应建立从知识资产到业务结果的评价链。
吴恩达详细阐述了 AI 工程技能图谱中的核心技能——构建与部署 AI 应用，包含六大方面：LLM 基础（分词、上下文窗口、工具调用等）、用数据为模型提供基础（RAG、向量索引、知识图谱）、构建 Agentic 系统（工作流、Agent harness、多智能体编排）、评估驱动开发（evals 与错误分析循环）、生产环境运营（可观测性、回归测试、成本与延迟优化）以及机器学习基础。该技能图谱基于大量招聘信息、专家访谈和调研形成，强调 AI 系统因输出不可预测而比传统软件开发更具迭代性。
文章介绍了受 Karpathy LLM Wiki 启发的第二大脑新架构：不是把笔记当作检索用的档案柜，而是当作编译器。系统在摄入时一次性编译知识，自动链接、更新、标记矛盾，配合 CLAUDE.md 和每日编译循环，由 Claude 承担维护负担。作者分析了该方案相比 RAG 的架构优势、随时间复利增长的效果，以及源质量依赖、初期密度门槛、需付费版 Claude Desktop 等局限，并附上可直接使用的提示词。
本文深入解析了生产级RAG（检索增强生成）系统的完整架构。文章首先指出LLM的局限性——无法访问私有数据，而RAG通过外部知识检索来弥补这一缺陷。然后详细介绍了系统的两大核心平面：知识平面（离线索引）和运行时平面（在线问答）。知识平面涵盖数据源、解析-分块-嵌入流水线以及向量索引；运行时平面则描述了用户查询、检索重排、LLM生成和答案引用的完整流程。文章还逐步拆解了查询生命周期，包括查询嵌入、Top-K检索、重排增强和生成，并强调了监控指标的重要性。
文章介绍了开源项目 awesome-agentic-ai-zh 提供的 AI Agent 学习地图，将学习路径分为两条：路线 A（CLI Power User）面向只想用好现成 Agent 的用户，学习 Claude Code、Codex、MCP、Skills 和工作流搭建；路线 B（Agent Builder）面向想开发 Agent 的工程师，需深入 Tool Use、Agent Framework、Memory、RAG 和 Multi-Agent。作者强调不要跳级学习，先补齐 Terminal、Git、API、JSON 等基础，普通人学好路线 A 已能解决大量实际问题。
