构建永不遗忘的智能体：从基础到向量与图谱混合记忆方案
文章深入探讨了LLM智能体的“记忆”难题，指出单纯增加上下文窗口无法解决“迷失在中间”效应及会话遗忘问题。作者基于认知科学框架，分析了从Python列表、Markdown文件到向量检索各阶段的局限性，强调构建兼具持久化、语义理解和关系推理能力的记忆层至关重要，最终引入了一个能够整合向量、图谱和关系存储的开源解决方案。
全部文档 / 标签: LLM
1041 篇
Hermes Agent 从入门到精通：25 个致命坑避坑实战指南
本文是一份详尽的 Hermes Agent 使用避坑指南，旨在帮助新手和资深开发者解决在安装、配置、模型接入及多 Agent 协作中遇到的常见问题。文章总结了 25 个典型的“致命坑”，涵盖 Windows 环境兼容性、WSL 配置、API 接入报错、模型行为控制、记忆管理以及权限安全等核心领域，提供了具体的排查步骤与解决方案，能有效减少用户在调试和部署上浪费的时间。
上手 Hermes Agent 后建议先尝试的十件事情
本文是一份详尽的 Hermes Agent 上手指南，作者通过源码 review 和实验验证，总结出安装后应尝试的十项关键功能。内容涵盖从基础安装、灵魂定义（SOUL.md）、副驾模型（Auxiliary）配置，到记忆系统、搜索能力、自动化审计（Hooks）、沙箱环境、多 Agent 协作、备份策略及技能自动化等进阶设置。文中还总结了 Hermes 的八大亮点，包括合理的主副模型分离机制、交互式配置体验及独特的技能固化能力。
Hermes-Agent vs 自建OpenClaw Harness：Agent操作系统的记忆与架构实战对比
文章基于 Harness Engineering 三大支柱（评估闭环、架构约束、记忆治理），深度对比了 Nous Research 的 Hermes-Agent 与作者基于 OpenClaw 自建的 MemOS 系统。Hermes 主打“有界热记忆 + CLI 优先”，适合个人快速启动；自建方案则采用“无界记忆 + Hook 机制强制捕获”，实现多 Agent 协作与权限隔离，适合团队长期积累。
12个开源项目，4条技术路线：Agent记忆系统完整选型指南
针对 LLM 无状态导致的“失忆”痛点，文章深入探讨了当前 Agent 记忆系统的四条主流技术路线：纯文件存储、向量数据库+RAG、知识图谱及混合检索。文章梳理了从轻量级 hooks 集成到企业级独立平台的 12 个开源项目，涵盖 claude-memory-compiler、agentmemory、Hermes Agent 等代表性工具，并提供了针对不同用户阶段（新手、个人开发者、团队、企业）的选型建议。作者指出，未来的核心竞争将集中在“如何遗忘”、“保证正确性”和“控制成本”三个维度。
The Context Engineering Playbook: 15 Copy-Paste Templates That Make Any AI 10x Smarter
文章提出了“上下文工程”的概念，认为它比单纯的提示词工程更能决定 AI 的输出质量。作者将 LLM 比作 CPU，将上下文窗口比作 RAM，而用户则是操作系统。文章提供了 15 个可直接复制粘贴的实用模板，分为身份设定、任务指令和上下文控制三个部分，旨在帮助用户通过预设背景、品牌语调和工作规则，无需代码即可显著提升 ChatGPT、Claude 等模型的输出质量。
系统工程：构建有效的智能体软件
文章提出构建智能体软件应采用系统工程思维，而非仅优化局部组件。作者提出了软件工程的五个关键层面：代理工程、数据工程、安全工程、接口工程和基础设施工程。文章通过开源项目 Dash 演示了如何将 RBAC、数据隔离和多接口集成等原则应用于实际开发中，强调智能体本质仍是软件，需遵循经典的系统设计原则。
使用 OpenClaw 在本地运行 Gemma 4 的三个步骤
文章介绍了如何简单快速地在本地运行 Gemma 4 模型。主要步骤包括安装 Ollama、下载 Gemma 4 26B A4B 模型，以及通过 Ollama 启动 OpenClaw 并使用 Gemma 4 作为后端。该过程被描述为简单快捷，适合在几分钟内完成本地代理的部署。
Hermes、Claude Code 与 OpenClaw 的区别对比
本文对比分析了近期热门的 Hermes Agent 与 Claude Code、OpenClaw 的区别。Hermes Agent 是一个轻量级、可自我学习的通用 Agent，定位介于三者之间。与 Claude Code 相比，它不绑定 IDE，支持多平台和 18+ 模型；与 OpenClaw 相比，它采用独特的“有限记忆”哲学和自学习循环机制，能自动沉淀个人技能笔记，更适合个人开发者私有化部署。
Mitchell Hashimoto 与 AI 工程演进：从聊天机器人到 Harness Engineering
文章详细介绍了 Terraform 之父 Mitchell Hashimoto 的 AI 工程实践六个阶段，从早期的聊天窗口尝试，到最终实现后台常驻 Agent 的愿景。核心亮点在于第五阶段提出的“Harness Engineering”（工程约束），即通过系统性设计（如 AGENTS.md 和验证工具）来防止 Agent 重复犯错。文章结合 Anthropic 和 OpenAI 的行业案例，指出工程师的核心技能正从手写代码转向设计 Agent 的运行约束环境。
从零基础到生产环境掌握人工智能代理——完整指南
这是一份关于构建生产级 AI 智能体的完整指南。文章详细阐述了智能体与聊天机器人的本质区别，涵盖了从工具设计、系统提示词、多智能体编排到生产环境部署、测试评估的全流程。重点介绍了如何利用 API 构建可靠的智能体循环，并指出了初学者常犯的错误及生产环境下的监控与成本控制策略。
Karpathy 的 LLM Wiki 改造版：打造更实用的 AI 个人知识库
本文针对 Andrej Karpathy 提出的 LLM Wiki 方案，结合作者自身的 Obsidian + OpenClaw + Claude Code 实践经验进行了优化。作者提出了从三层架构升级为五层架构（增加行动层与产出层），并强调人工确认机制，避免 AI 自动分类的偏差。文章详细介绍了入库、查询和健康检查的具体流程，分享了构建个人知识库的原则，旨在实现知识积累与内容产出的高效闭环。
一文彻底打通AI底层逻辑：从LLM到Agent核心概念拆解
本文是一篇基于工程视角的AI技术硬核解析，旨在厘清从LLM大模型到Agent智能体的核心概念体系。文章深入浅出地拆解了LLM的文字接龙本质、Tokenizer的翻译机制、上下文窗口的容量限制，以及Prompt工程、MCP工具协议和Agent技能的运作原理，帮助读者建立完整的底层技术认知。
Karpathy 最新分享：用 LLM 搭建个人知识库，告别 RAG 的低效循环
文章介绍了 Karpathy 提出的 LLM Wiki 方法，旨在解决传统 RAG 检索缺乏知识沉淀的问题。作者详细演示了如何在 Obsidian 中落地该方案，包括使用插件采集素材、配置图片本地化、利用图谱视图发现盲区、结合 Dataview 生成报表、使用 Marp 制作幻灯片，以及通过 Git 进行版本管理。核心思想是让 AI 承担繁琐的整理与维护工作，人类专注于思考与决策，从而构建持久增殖的个人知识库。
复刻 Karpathy 知识库模式：用 nexu 搭建 AI 第二大脑
本文介绍了 Andrej Karpathy 提出的“LLM Wiki”个人知识库模式，即利用 AI 将原始资料编译成持久化的 Wiki，解决了传统 RAG 方案无法保留上下文和维护关联的痛点。作者详细解析了 Karpathy 的“Raw/Wiki/Schema”三层架构，并演示了如何利用开源桌面 AI Agent 工具 nexu 落地该模式，实现在微信随手入库、多模型切换及与 Obsidian 的协同工作，从而构建一个由 AI 维护的个人第二大脑。
skill-refiner — 一个让你的长程 skill 更听话的 skill
针对 Agent 长程任务中常见的跳步、幻觉和状态丢失问题，作者开发了 skill-refiner 工具。该工具基于 FSM（有限状态机）设计，通过三原语约束执行流程。此外，它还提供了通过强模型改写提示词以降低弱模型运行成本的策略。
编程智能体的核心组件【译】
本文探讨了编程智能体（Coding Agent）及其运行框架的设计，重点介绍了模型、推理与智能体的区别，并详细拆解了六大核心组件：实时代码仓库上下文、提示词缓存复用、工具调用与安全验证、上下文压缩机制等。文章指出，优秀的 Harness 框架能将基础模型的潜力最大化，是编程智能体体验的决定性因素。
自动辅助：具有自动评估功能的自改进代理系统
NeoSigma 开源了‘Auto-harness’系统，这是一个自改进循环框架，能将代理失败转化为评估结果并自动修复。实验显示，该系统使 Tau3 基准任务得分提升了 40%。文章探讨了故障聚类、回归门控和子代理管理等关键技术，标志着工程重心从编写代码转向构建能够自我维持和改进的系统。
用 LLM + Obsidian 构建个人知识库：基于 Karpathy 的“LLM Knowledge Bases”工作流
本文介绍了基于 Andrej Karpathy 的理念，利用 LLM 和 Obsidian 构建个人知识库的方法。作者将笔记管理类比为软件开发，提出“原始资料”经 LLM “编译”为结构化知识的概念。文章详细阐述了三层目录结构（摄入、编译、输出）、利用 Claude Code 实现增量摘要与索引、定期进行知识库“健康检查”以及不盲目追求 RAG 的实践建议，旨在解决笔记堆积与腐烂的问题。
你不知道的大模型训练：原理、路径与新实践
本文深入探讨了大模型训练的全链路流程，指出2026年模型效果的差距主要源于后训练阶段。文章从预训练底座、数据配方、系统架构约束、后训练（SFT/RLHF/DPO）以及 Eval/Reward 机制五个维度，解析了如何通过工程化手段提升模型实际落地效果，并引用了 DeepSeek、Llama 等实例。
Anthropic内部分享：别再造Agent了，造Skills就够了
Anthropic 内部分享指出，与其为每个场景构建新 Agent，不如给通用 Agent 配置“Skills”。Skills 是打包程序化知识的文件夹，通过渐进式加载解决上下文窗口问题。文章介绍了 Skills 与 MCP 的互补关系，及其在金融、科研等领域的生态发展，类比将其比作“应用层”，强调通过知识积累让模型不断进化。
21条提升GEO引用与推荐效率的核心撰写技巧与原则
本文总结了21条提升生成式引擎优化（GEO）效果的写作原则，旨在帮助内容创作者提高被AI搜索引用的效率。文章从四个维度展开：内容增强（通过增加数据密度、权威引用和独特词汇建立信源信任度）、结构工程（采用倒金字塔、键值对和表格化适配AI阅读习惯）、语义逻辑（使用显性连接词和客观语调诱导AI推理），以及对抗防御（战略性实体布局和优化查询匹配）。核心观点是将文章构建为高密度、可验证的结构化事实库，而非单纯追求优美文笔。
AutoAgent：首个用于自优化代理框架的库
本文介绍了开源库 AutoAgent，这是一个能够自主优化任何领域代理的框架。通过引入“元代理”概念，AutoAgent 可以自动调整任务代理的提示、工具和编排逻辑，从而在 SpreadsheetBench 和 TerminalBench 测试中取得卓越成绩。文章探讨了“模型同理心”的重要性，并详细阐述了该框架如何通过拆分元任务与任务、利用推理轨迹以及避免过拟合来实现性能的持续提升。
炸裂！Seedance 2.0 免费用！全网第一只接入的开源龙虾，效果离谱
文章介绍了开源客户端 nexu（开源龙虾）作为全球首批接入字节跳动 Seedance 2.0 模型的工具，允许用户通过微信、飞书等聊天软件直接生成高质量 AI 视频。用户无需代码即可快速生成 2K 电影画质视频，文章提供了详细的安装配置教程及免费额度的领取方式，并展示了 nexu 作为全能 Agent 的其他强大功能。
如何写出让AI秒懂的好提示词？手把手教你避开3大天坑
文章指出AI输出质量差往往源于提示词编写不当，并总结了三大常见误区：信息缺失、格式空白和贪心过多。作者通过实战案例对比，详细讲解了如何通过明确角色、补充背景、量化目标、限制格式和反向约束来优化提示词，从而实现从“废话连篇”到“精准输出”的跨越，大幅提升使用效率。
技能链：将智能体技能重新定义为情境行动
本文探讨了智能体系统中技能实现的局限性，指出技能不应是静态提示，而应是动态的情境行为。作者介绍了在 Slate 系统中通过引入“线程”和“分叉”机制，实现了上下文隔离的自动化技能调用，并提出了“编排技能”的概念，即通过组合其他技能来完成复杂任务链。
多Agent协同方案：让OpenClaw学会团队合作
文章介绍了如何利用 OpenClaw 搭建一套多 Agent 协同工作流。通过设置“小龙虾”、“码力”、“笔锋”和“谋士”四个专精 Agent，并配合 MemOS 共享记忆系统，实现了各司其职、成本优化与质量提升的平衡。作者分享了架构设计、搭建过程、实战数据及踩坑经验，展示了多 Agent 协作在实际任务流转中的高效价值。
从执行到记忆：gstack + Compound Engineering 实现 Agent 持续进化
文章分析了 Anthropic 的 Agent Harness 架构，并介绍了 Jason Zuo 如何使用 gstack 和 Compound Engineering (CE) 构建了一套完整的工程工作流。CE 替代了 Superpowers，提供了更深入的规划和审查机制。最关键的差异在于 CE 的 /ce:compound 功能，它通过独立 Agent 将每次开发的经验转化为结构化的项目记忆，实现了 Agent 的自我优化与积累，形成了从规划、执行、审查到记忆的完整闭环。
Claude Code 源码分析：被 99% 用户低估的 Agent 编排平台
文章深度解析了 Claude Code 的源码架构，指出大多数用户仅将其作为简单的对话工具，忽略了其作为 Agent 编排平台的强大功能。核心发现包括：CLAUDE.md 的每轮重载机制、Subagents 并行化共享 Prompt Cache 的低成本特性、基于配置的权限系统、5 种上下文压缩策略、25+ 生命周期 Hook 系统以及可恢复的 Session 机制。
