如何对视频进行 Grep 检索
文章探讨了如何让 LLM 理解和处理海量视频数据。作者指出单纯依赖上下文窗口并非最佳方案，因为成本高昂且无法进行确定性检索。借鉴编程中的 Unix 模式，文章提出构建“中间表示层”，提前提取并结构化对齐转录、视觉、情感等多模态数据，从而实现对视频内容类似 Grep 的高效搜索与组合分析。
相关文档
The 2026 LLM Engineering Roadmap
本文提出了2026年LLM工程路线图，指出与LLM工作不只是提示词，生产级系统需要对LLM的工程化、部署和优化有深入理解。文章总结八大支柱：提示工程（将prompt当作代码管理）、RAG系统（嵌入、检索、重排）、上下文工程（管理上下文窗口中各类信息的取舍）、微调（LoRA/QLoRA等技术）、Agent（工具调用循环与编排、状态管理、重试逻辑），并为每个领域提供了大量免费开源学习资源，如Anthropic、OpenAI官方指南及多个GitHub教程仓库。
Agent Memory Is Not a Search Problem
文章指出 Agent 记忆系统的核心问题不是检索而是上下文组织。跨 15 个模型、20 万模拟对话的研究显示，任务拆分为多轮会使准确率平均下降 39%，而合并为单轮可恢复大部分损失。文章回顾了 Agent 记忆的四个发展阶段（全量历史、滚动摘要、向量检索、知识图谱），批评语义/情景/程序性记忆分类无法指导检索决策，并主张按六种问题类型构建六种上下文形态。作者基于开源 Graphiti 引擎，以客户历史为例实操演示如何让记忆系统在模型运行前正确组织上下文，避免基于过时信息的自信回答。
Hamel 的 AI 产品工程笔记：Evals、Context、Systems 的优化全序
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。
判断，环境，与无限迭代
文章探讨了AI Agent创业中套壳产品的价值与生存之道。作者提出Agent能力由模型水平、指令、记忆和工具组成，套壳的意义在于通过优化后三者构建「逃逸速度」，在下一代模型到来前保持领先。文章强调两类关键判断：方向判断（基于第一性原理，如移动办公趋势）和迭代判断（通过专家知识优化上下文工程）。作者以自身产品NewMax为例，阐述Dogfood理念，通过全方位使用产品发现边界与问题，并优先解决基建卡点，让产品进入低成本高效迭代的正向循环，实现无限迭代与自动化GTM。
Agent 高频题 01. 讲讲你的 RAG 链路
本文是 Agent 高频面试题详解系列第一篇，聚焦 RAG（检索增强生成）链路。文章基于近两个月牛客网 82 场面试的统计，指出 RAG 是最常被追问的题目。内容先给出 RAG 整体架构图，解释为什么需要 RAG 及其与长上下文、grep、微调、工具调用、记忆等方案的边界；再沿离线、在线两条线逐环讲解：离线部分涵盖文档解析、切分策略、embedding 向量化、HNSW/IVF 索引原理；在线部分讲解问题改写、BM25 与向量多路召回、RRF 融合、交叉编码器重排等环节。每个环节均附上面试常见追问，并提供复习优先级参考。
深度体验 EverOS Cloud：让 Agent 记忆与经验沉淀为技能的测评
文章针对 AI Agent 开发中记忆缺失、RAG 低信噪比切片、状态冲突与多主体污染三大痛点，测评了 EverOS Cloud（API v2）这一 Agent 记忆操作系统。核心机制包括语义事件切割、记忆整合消解冲突、多主体严格隔离，在 LoCoMo 基准上达 93.05% SOTA，减少 90% 以上 Token 消耗。其自进化技能引擎可将任务执行链路沉淀为 Case 并蒸馏为可复用 Skill，任务成功率最高提升 234.8%。接入仅需两行核心调用，支持记忆治理 API、多模态资料挂载、MCP 协议兼容 Claude Code 等工具，以及云/本地双模部署。作者认为其适合需要跨会话跟踪意图与沉淀业务 SOP 的场景。
Agent 高频面试题单（8.18–10.18）
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
做一个违背祖宗的决定，手把手教你使用 AI 全自动管理微信群
本文面向社群运营、技术支持与客服团队，详细介绍了如何基于 FastGPT 搭建一套生产级的 AI 智能社群客服系统。作者拆解了由 15 个节点、28 条连线组成的完整工作流方案，涵盖知识库整理、消息意图过滤、多渠道（飞书/微信）分流、Agent 应答规则定制、双知识库检索工具挂载以及问题分类打标与运营数据沉淀等核心环节，并说明了飞书机器人权限配置、富文本消息渲染及微信生态多种接入方式，实现智能回复与人工兜底的自动化客服闭环。
做了个 skill：自动剪辑旅行 vlog
作者在豆包工作中优化地图动效 skill，实现全自动制作旅行 vlog。只需提供社媒照片链接，Agent 即可生成 3D 地图动效，根据画面内容推断拍摄机位（如虎跳峡、梅里雪山、雨崩），并利用多模态能力将旅行自拍生成 Q 版贴纸小人。最终自动渲染配乐，输出 mp4 视频，如从地球俯冲定位、Q 版小人沿真实路线行走、照片弹出的云南自驾 vlog 成片。还可配合开源剪辑 skill 生成剪映工程文件，完成素材粗剪，解决旅行 vlog 制作难题。
Google Labs 负责人谈实验与产品判断，常驻在线智能体的工作原理，Alexandr Wang 谈 Muse 的信任与团队
本期早报汇集三篇精讲：Google Labs 负责人 Josh Woodward 分享如何像实验室一样运作团队，通过机会清单、快速原型与用户信号判断产品方向；斯坦福 CS146S 课程拆解常驻在线智能体的架构，涵盖主循环与执行环境分离、持久工作流、事件队列优先级与上下文分层管理；Alexandr Wang 回顾 Meta Muse 个人智能体的产品历程，强调把愿景拆成可评测行为、通过小任务积累用户信任，以及为研究人才设定方向与空间。另有 PayPal CLI 智能体实战、MiniMax M3 稀疏注意力架构、低成本金融智能体训练等七篇实践速览。
12 Agentic Harness Patterns From Claude Code
文章总结了 Claude Code 中十二种可复用的代理 Harness 设计模式，分为四大类：记忆与上下文（持久指令文件、范围化上下文组装、分层记忆、空闲整理、渐进式上下文压缩）、工作流与编排（探索-计划-执行循环、上下文隔离子代理、分叉-合并并行）、工具与权限（渐进式工具扩展、命令风险分类、单一职责工具设计）以及自动化（确定性生命周期钩子）。作者强调这些是架构层面的决策而非临时提示技巧，即使模型能力提升仍具价值。
一家大型企业有几十万份文档，究竟应该怎样交给AI？
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。
