如何构建深度研究系统：超越 OpenAI 的开源方案
文章介绍了如何构建一个完全开源、可本地部署的深度研究系统。该系统由 Onyx（检索层）、CrewAI（编排层）和 Voxtral（语音层）组成。通过三阶段执行流程、自适应策略和六阶段检索管道，Onyx 在 DeepResearch Bench 排名第一，超越了 OpenAI 和 Gemini。文章强调了数据隐私的重要性，并详细拆解了实现高质量自我托管研究的架构细节。
全部文档 / 标签: RAG
205 篇
用好NotebookLM立省80%Token
文章介绍了一种通过结合 NotebookLM 与 Claude 来大幅降低 Token 消耗的工作流。作者指出直接将海量数据（如 50 篇论文）塞进 Claude 对话极其昂贵且效率低下，而利用 NotebookLM 作为免费的“老师”进行语料存储和检索，让 Claude 仅负责推理与编排，可实现 17 倍以上的成本节省。文中详细解析了 RAG 与 Context 的成本差异、Prompt Cache 的局限性，并提供了针对学术论文、招股书阅读及个人知识库的具体操作指南。
企业需要大脑而非连接器
文章指出，当前的 AI Agent 侧重于通过 RAG 和 API 连接工具来检索信息，但检索不等于理解。真正的企业级 AI 应像一位资深幕僚，能够综合多源数据、解决冲突、追踪时效，并建立对企业环境的动态认知（“企业大脑”）。作者提出通过构建“上下文图谱”并将其以文件系统形式输出，让 Agent 能够获得经过综合处理的深层理解，而非每次都从零开始搜索。
Memory Transfer Learning for Coding Agents 技术解析
本文深入探讨了一篇关于编码智能体的 Memory Transfer Learning (MTL) 论文。文章解释了如何将过往编码任务的“记忆”复用到新任务中，比较了 Trajectory、Workflow、Summary 和 Insight 四种记忆格式的效果。研究通过在多个基准测试中复用异构记忆池，证明了提取的元知识能有效提升智能体解决新问题的能力。
Stop letting Claude Code forget your project overnight
本文介绍了一种利用持久化 Wiki 解决 Claude Code 上下文遗忘问题的方法。作者基于 Andrej Karpathy 的思路，阐述了通过构建 'raw' 和 'wiki' 文件夹结构，结合编译器原理，将项目知识固化为可索引的 Markdown 文件，从而避免重复消耗 Token 和时间。文章还详细介绍了 Obsidian 的配置、自动化 Hooks（如 session-start/end）的集成，以及 Wiki 与 RAG 在不同数据规模下的优劣对比，为个人开发者提供了一套高效的知识管理方案。
用知识库替代你的大脑外存：Karpathy 方法完整实战指南
文章介绍了基于 Andrej Karpathy 思想构建的个人知识库系统，核心在于利用 LLM 将原始资料“编译”为结构化的 Wiki，而非传统的向量检索。文章详细阐述了系统的三层架构（Raw、Wiki、Agent 指令），并提供了 Obsidian 图形界面版、本地文件夹结合 Claude Code 版以及 Graphify 工具版的三种实战搭建流程，旨在实现知识的持续沉淀与跨文档关联。
Agents Are Stuck in a Loop: Memory Growth and Propagation
文章深入探讨了 AI Agent 面临的记忆系统瓶颈：无限记忆增长（UMG）导致检索效率低下和噪声干扰，以及虚假记忆传播（FMP）利用思维链错误放大幻觉。作者指出现有的 RAG 系统因读写混合而加剧了该问题，并提出可以借鉴强化学习（RL）机制，根据任务验证结果对记忆进行奖惩打分，从而过滤无效记忆。
企业需要大脑，而非更多连接器
文章指出，企业级 AI 代理目前仅停留在信息检索阶段，缺乏对公司的深层理解。真正的智能应像资深员工一样综合多源信息，构建持续更新的现实模型。作者提出了基于文件系统交付的“企业大脑”架构，主张通过上下文图谱解决数据冲突、身份统一和信源权威性等问题，从而实现从被动检索到主动理解的转变。
用好NotebookLM立省80%Token
文章指出直接将大量语料塞入Claude对话会导致Token消耗巨大且缓存利用率低。作者提出了一种优化方案：利用NotebookLM作为“老师”进行免费的知识库检索和带引用问答，仅将检索结果提供给Claude进行推理和编排。实测表明，该方案在研究、打新和知识库场景下可节省大量成本，但响应速度会降低。
我用 NotebookLM 替换了 Karpathy 的 LLM Wiki
文章对比了 Andrej Karpathy 的 LLM Wiki 方案与 Google NotebookLM 的实际使用体验。作者发现 Wiki 架构在处理个人知识时成本高、速度慢且缺乏与现实世界的集成，而 NotebookLM 利用 Embedding 技术实现了即时响应和高效回答。作者主张应将知识转化为技能并融入日常流程，而非仅仅构建静态索引。
Google Deepmind论文解读：如何给AI Agent 投毒
文章解读了 Google DeepMind 关于《AI Agent Traps》的论文，系统梳理了针对 AI Agent 的六类攻击陷阱：内容注入、语义操控、认知状态投毒、行为控制、系统性陷阱及人在回路攻击。文章指出，Agent 与人类感知的“鸿沟”使其极易遭受环境篡改攻击，且这些陷阱可组合叠加，造成严重的数据泄露或控制风险。防御需从训练与推理的技术层面同时发力。
AI 记忆工具两大阵营：Memory Backends 与 Context Substrates
文章深入分析了 GitHub 上的 AI Agent 记忆工具，将其分为两大阵营：一是“记忆后端”，如 Mem0 和 Supermemory，主要提取事实并存储于向量数据库；二是“上下文基底”，如 OpenClaw，通过人类可读的结构化文件让会话在上下文中累积。作者指出，虽然 Camp 1 主导了市场，但 Camp 2 的架构才是支持连续、多会话工作的未来方向，例如 Zep 已开始从“记忆”转型为“上下文工程”。
构建永不遗忘的 Agent：从原理到 Graph-Vector 混合架构
文章从第一性原理出发，深入探讨了 Agent 记忆机制的演变。作者指出单纯依赖 Context Window 会遭遇“中间迷失”效应，并借鉴认知科学将记忆分为感觉记忆、工作记忆和长时记忆。文章通过对比 Python 列表、Markdown 文件和向量搜索等不同技术层级的优劣，揭示了传统方案在持久性、语义理解和关联推理上的局限性，最终提出了结合图数据库和向量搜索的 Graph-Vector 混合解决方案。
GBrain 架构解析与实战指南：为 AI Agent 注入持久化记忆
文章详细介绍了 YC CEO Garry Tan 开源的 AI 基础设施 GBrain。这是一个为 AI Agent 设计的个人知识层，通过 Git 仓库、Postgres（pgvector）和技能文件的三层架构，解决了 Agent 无状态的痛点。文章深入解析了其搜索管道、知识模型（编译真理+时间线）及数据集成方案，并指出了其对高级模型的依赖。
AI Knowledge Layer (and why your agents are useless without it)
本文提出了一种让 AI 智能体变得更聪明的双层系统：AI 知识层。它包含动态的知识库层（KBL）和静态的品牌基础层（BF），通过编译而非检索（RAG）的方式，让智能体在执行任务前拥有上下文记忆。文章介绍了该系统的概念、与传统 RAG 的区别、以及如何利用开源框架 LLM Wikid 构建个人或企业的知识图谱，从而解决 AI 输出同质化、缺乏个性化的问题。
B端AI落地的唯一路径：MCP
文章指出B端AI落地的核心在于数据接入。传统RAG方案因信任和延迟问题受限，AI生成查询又难以满足B端对高稳定性（99%+）的要求。作者认为，通过MCP（模型上下文协议）实现本地部署，利用标准化接口和参数化模板，是解决数据主权、降低成本并确保业务稳定性的最佳方案。
如何成为每小时收费 200 美元的 AI 自由职业者（完整指南）
文章探讨了为何 AI 自由职业者目前能获得高溢价（200美元/小时）的原因，指出市场供需失衡创造了机会。指南详细规划了从选择细分领域、建立信任背书、设定合理定价、获取首批客户到交付与规模扩张的完整路径，强调通过提供确定性的商业价值（如 RAG、Agent 开发）来获取高薪，而非单纯的出售时间。
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。
Karpathy 的 LLM Wiki：为何爆火与深度解析
文章深入分析了 Andrej Karpathy 提出的“LLM Knowledge Bases”概念。Karpathy 批评了当前 RAG 模式缺乏知识积累的痛点，提出由 LLM 维护的一组持久化 Markdown Wiki 作为替代方案。文章拆解了该方案的“原始资料、Wiki层、规则层”三层架构，以及“摄入、查询、健康检查”的操作模式。作者结合 EverMind Memory 的产品视角，探讨了这一模式从单次交互向积累能力转变的行业趋势，以及“Idea File”作为新知识传播单位的潜力。
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。
如何提高 RAG 32x 的内存效率（附代码说明）
本文介绍了利用二进制量化技术将 RAG（检索增强生成）系统内存效率提高 32 倍的方法。作者以 Perplexity 和 Azure 为例，详细展示了如何使用 Llama Index、Milvus 向量数据库和 Groq 托管的 Kimi-K2 模型构建系统。该系统可在 30 毫秒内查询 3600 万个向量，并在 1 秒内生成响应。文章提供了从数据加载、生成二值嵌入、向量索引到检索生成的完整代码实现。
为了让 AI 管家学会交易，我直接爬取了 42万字投资大佬的文章喂给它
作者为了训练自己的 AI 管家“贾维斯”掌握 Web3 投资技能，利用 XCrawl 爬虫工具批量抓取了投资大佬 Chris Dixon 的 42 万字博客文章，并将其转化为干净的 Markdown 数据喂给 AI。文章详细介绍了从数据采集、清洗到 AI 学习框架构建的全过程，展示了如何利用 AI Agent 吸收专家知识并进行投资策略分析。
零代码克隆纳瓦尔数字分身保姆级教程
本文是一份详尽的零代码教程，指导如何利用 NotebookLM 和 Gemini 构建纳瓦尔的 AI 数字分身。全流程无需编程，涵盖了使用 Deep Research 寻找数据源、通过网页源码提取链接、利用 NotebookLM 搭建静态知识库（RAG），以及通过 Gemini 注入个性化灵魂并设置 System Prompt 的完整步骤。文末还提供了具体的验证测试用例及现成的资源包。
AI 工程师必读的 10 本 LLM 与 AI 工程书籍推荐
作者阅读了 20 多本 AI 和 LLM 工程相关书籍，筛选出了 10 本最值得推荐的书单。这些书旨在帮助开发者从理论走向实践，掌握构建、部署和维护生产级 AI 系统的技能。书单涵盖了 Chip Huyen 的《AI Engineering》、RAG 与微调实战手册、从零构建 LLM 以及 Prompt Engineering 等核心领域，适合希望转型或进阶为 AI 工程师的技术人员阅读。
保姆教程：用 Gemini + NotebookLM 打造你的24h首席AI顾问
文章介绍了一种利用 AI 工具克隆特定人物数字分身的“保姆级”教程。作者以克隆技术大 V“宝玉”为例，展示了如何使用 baoyu-skills 抓取公开数据，利用 NotebookLM 进行 RAG（检索增强生成）以构建知识库，最后通过 Gemini 创建 GEM 并注入特定的 System Instructions。测试表明，该数字分身成功复刻了原作者的工程审美与批判性思维。