文章结合为大型国企交付几十万份文档知识库项目的实战经验，指出将文档导入知识库只是最容易的一步，真正难点在于知识分散在OA、ERP、CRM等多个系统中、文档质量参差不齐、版本与权限管理复杂、以及上线后的持续运营。作者提出企业真正需要的不是一个'AI知识仓库'，而是一条具备知识工程能力的企业知识供应链：通过Connector持续接入知识，经解析、清洗、结构化等知识工程加工后准入，并以检索前权限过滤保障安全，最终在Agent时代构建企业上下文层，让正确的知识在正确的时间以正确的权限交给AI。
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。
作者基于阿里巴巴开源的进程内向量数据库 zvec 及面向代码仓库的语义检索工具 zvec-grep，开发了一个 DeepSeek Harness（DSH）插件 dsh-zvec-grep。文章是开发笔记，先通过真实仓库实验确认语义搜索的价值：在不知道代码命名时提供更好的“第一跳”，与 rg 精确搜索形成互补。插件没有简单包装 CLI，而是直接使用 createZvecGrep() 引擎 API，以 workspace 为运行时边界共享索引与 watcher，实现自动索引、增量更新与每小时校准，并通过状态胶囊向用户暴露索引进度与错误，退出时用 AbortController 清理资源。作者总结插件设计理念：替用户承担复杂度，暴露不确定性，让语义搜索负责模糊发现、精确搜索负责已知匹配。
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。
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。
本文深入比较了2026年可自托管的开源AI代理记忆系统，包括Mem0、Cognee、Graphiti/Zep、Letta和Hindsight。文章强调开源与可自托管并非同义，并提出了五个评估维度：检索准确性、自托管现实、功能对等性、许可证和架构。通过公开基准测试和实际部署要求，作者揭示了各系统的真实优劣，特别指出Mem0社区最大但基准测试饱和，Graphiti擅长时间推理但需外部图数据库，Hindsight在准确性和部署简便性上领先。文章旨在帮助读者根据自身需求选择最合适的记忆层系统。
本文指出企业级 RAG 绝不仅是简单的文档切块与向量检索，而是一项复杂的知识工程。文章详细拆解了知识入库与用户提问两条流水线，强调了 PDF 结构化解析、混合搜索及权限更新的重要性。在 AI Coding 时代，底层代码可交由 Agent 完成，开发者应更关注 RAG 的架构设计。最终，企业 RAG 的核心价值在于构建一层可被 AI 调用的知识基础设施，从而支撑各类业务 Agent。
本文深入解析了HNSW（分层可导航小世界）算法，这是现代向量数据库实现快速近似最近邻搜索的核心技术。文章通过邮政分拣的比喻，阐述了HNSW如何结合NSW图结构和跳表的概念，利用分层结构从粗糙到精细地快速定位目标，并详细说明了向量搜索和插入的具体流程。
本文是一份实战教程，指导读者从零搭建一套最小可运行的 RAG（检索增强生成）私有知识库。技术栈采用 FastAPI 作为接口框架，PostgreSQL 配合 pgvector 扩展进行向量存储，并调用通义千问（Qwen）模型与 Embedding 服务。文章详细讲解了项目结构、依赖配置、数据库模型定义以及文档入库的完整代码实现，旨在构建一个可落地的工程底座。
本文是私有知识库构建系列的第 3 篇，旨在解决基础 RAG 系统在短问题召回、关键词匹配及结果排序上的缺陷。作者详细介绍了通过 LLM 进行查询改写以补全上下文，利用 PostgreSQL 结合 Jieba 实现混合检索（向量+BM25），以及使用 RRF 算法融合检索结果，从而显著提升知识库的日常可用性。
阿里开源了一款名为 Zvec 的向量数据库项目，主打“纯本地、内嵌式”极简体验，号称向量界的 SQLite。该项目基于 C++ 编写，支持零配置安装，性能强悍（毫秒级搜索数十亿向量），同时兼容稠密、稀疏向量及全文检索。它非常适合本地大模型、RAG 和个人知识库开发，彻底免去了部署繁琐的后端向量服务。
文章探讨了如何解决 AI Agent 记忆系统的多跳推理问题。传统的向量数据库在处理跨块事实连接时失效，而通用知识图谱常因缺乏结构导致查询噪音。作者提出的解决方案是使用 Pydantic 提前定义本体（Schema），明确实体类型、关系和属性。通过 Zep 框架强制执行这些约束，可以显著提升提取的准确性和数据的可查询性，从而实现有效的多跳推理。
文章通过生动的类比，指出缺乏记忆是当前 LLM Agent 的主要短板。作者详细拆解了 Agent 记忆系统的三个核心功能：连续性、上下文和学习。文章重点介绍了四种记忆类型：上下文记忆、外部记忆、情景记忆和参数记忆，并深入探讨了如何通过检索增强（RAG）和反思循环来构建持久的智能。
文章深入浅出地讲解了 AI Agent 记忆系统的工作原理，从基础的单会话与多会话记忆保持切入，引出 Google 提出的情景、语义与程序性记忆三分法。通过对比 OpenClaw 的实现方式与存在的问题，重点剖析了企业级方案 EverOS 的架构。EverOS 将记忆细分为六大类，并通过语义巩固、主动上下文重建等技术优化记忆的抽取、更新与检索。文章还包含 EverOS 的 API 调用示例及 20 个真实落地场景，为开发者提供了 Agent 记忆系统的全景指南。
作者分享了今年通过接企业知识库项目实现月入数万的实战经验。文章详细阐述了如何将基础 RAG 升级为企业级 RAG 系统，重点涵盖数据处理层面的文档切分策略（针对 PDF、Excel、代码等）、向量化模型选择及数据库选型；同时深入讲解了检索策略优化，包括长问题处理、混合检索、Rerank 精排及多因素加权排序等技术细节。
文章介绍了 VectifyAI 开源的 PageIndex 框架，这是一种不使用向量嵌入的 RAG（检索增强生成）方法。它通过构建文档的层次树结构，利用 LLM 的推理能力来精确定位答案页面。该框架在 GitHub 获得了超过 2.9 万星，其构建的 Mafin 2.5 在金融问答基准测试中取得了 98.7% 的高准确率。
本文探讨了在多Agent系统中，子Agent之间数据读写不同步的问题。根本原因在于单Agent场景设计的默认数据库一致性配置（如Milvus的Bounded级别）无法满足多Agent毫秒级的读写需求。文章详细解释了Milvus的写入机制和四档一致性级别，并通过实验证明将一致性级别从默认的Bounded切换为Strong可以有效解决“写后读空”的问题。
本文是一篇关于检索增强生成（RAG）技术的完整教程。文章指出，大多数 AI Agent 难以落地的原因在于模型无法获取企业私有数据。RAG 通过将外部知识库与大模型结合，解决了这一痛点。作者详细拆解了构建 RAG 系统的五个核心阶段：文档摄取与分块、文本嵌入、向量存储、信息检索以及最终生成，并提供了关于分块策略、嵌入模型选择及混合检索的实战建议。
本文介绍了 Scout，一个开源的企业级“上下文代理”（Company Brain）。针对现有方案将所有数据存入向量数据库导致索引过时的问题，Scout 提出了“导航优于搜索”的理念，通过 Context Providers 连接 Slack、Google Drive 等实时数据源，像操作文件系统一样导航信息。它还能动态构建 Wiki 和 CRM，并通过持续学习形成闭环。
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”。
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。
