The Skeleton of Remembering: Why Your Filesystem Is a Brain Waiting to Happen
文章探讨了 AI 中“知识库”与“记忆”的本质区别，指出仅靠语义相似性检索会导致遗忘和误报。作者介绍了 SMF 架构，利用 POSIX 符号链接构建原生文件系统知识图谱。相比传统数据库或 Markdown 链接，SMF 提供了访问控制、可编程遍历及云端扩展性。实验表明，良好的结构化架构（BM25+图遍历）在效率上优于单纯扩大模型规模。
相关文档
Memory Is State, Not a Service
本文指出企业 AI 工具普遍存在“记忆碎片化”问题，主张构建“公司大脑”应将记忆视为共享状态而非独立服务。文章提出语义记忆文件系统架构，通过实体、事实、状态变化和关系存储，利用本体论作为透镜，让同一记忆在不同角色和 Agent 面前呈现不同上下文，从而解决信息孤岛，实现人机共享的可信赖记忆底座。
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。
AI Agent 工程师 12 步学习路线图：从 Demo 到企业级落地
文章指出许多人做 AI Agent 只是调用大模型 API 加上工具和 LangGraph，跑通 Demo 与企业级生产落地之间差距巨大。作者结合自身企业 AI 项目经验，将 Agent 工程师学习路线分为四个阶段：一是掌握基础，理解 Agent 工作原理；二是赋予执行能力，包括 MCP、浏览器自动化、记忆与上下文管理、沙箱与权限控制；三是安全、多 Agent 协作与人工审批，明确权限边界，防止错误放大；四是错误处理、执行轨迹评测、降级兜底与工程复盘。作者强调评测数据是判断系统优劣的关键，建议边做边学，完整交付一个项目比做十个 Demo 更有价值，真正稀缺的是能让 Agent 稳定运行的工程能力。
Scaling AI in Legal: Building Uber's Redlining Agent
Uber 工程团队分享了其法律红线审查智能体（Legal Redlining Agent, LRA）的构建经验。该系统以 Word 插件形式集成到律师的工作流中，能够识别外部合同修改、理解对方意图、基于政策生成建议和评论并标记风险。自上线以来，合同平均审查时间缩短超过 20%，律师对 AI 决策的采纳率达 91%。文章详述了从 RAG 方案到引入律师反馈自学习循环的四次迭代历程，核心经验是：从业务问题出发、嵌入律师既有工作流程以赢得信任，并通过紧密的反馈迭代持续改进智能体。该系统助力 Uber 法务团队获得 2026 年 ALM Legalweek 年度最具创新法务部门奖。
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。
10 个带你从基础检索到生产级 AI 系统的 RAG 项目
文章指出仅掌握基础的'chat with PDF'式 RAG 流水线（分块、嵌入、向量检索、LLM）不足以构建真实生产系统，并推荐 10 个进阶项目：混合检索（BM25+向量）、元数据过滤、重排序、上下文分块、SQL+向量混合、知识图谱+向量、纠错式 RAG、自感知 RAG、多模态等。每个项目均说明要解决的问题、系统架构、技术栈（Python、pgvector、LangGraph、Neo4j 等）及学习要点，帮助开发者从语义相似度走向关键词匹配、结构化过滤、关系推理与检索质量反馈等生产级能力。
AI Agent 时代的营销：一个 SEO 老兵眼中的 GEO 与社群 - INDIGO TALK EP 51
本期 Indigo Talk 邀请 HashMatrix 合伙人大罗，从 SEO 老兵视角拆解 AI 时代的营销与增长。讨论涵盖 AI 在营销中的真正提效场景（多平台内容分发从两三周缩短到十分钟）、AI 难以胜任的无中生有式创意、第四种流量入口——AI 推荐（答案仅有三到五个位置）、AI 推荐机制（训练数据与 RAG，一个问题被拆成十几个 Query）、GEO 与投毒的现状，以及 AI Slop 时代个人声音的稀有度价值。最后得出反直觉结论：Agent 时代最被低估的增长杠杆是活人社群和线下连接，建议新人'做回人'。
GitHub上这5个神级Skill专治界面丑仓库乱Token贵
文章为内容人和独立开发者推荐了5个GitHub上的高星AI Agent Skill项目，分别解决界面丑、仓库乱、Token贵三大痛点：ui-ux-pro-max-skill提供专业UI/UX决策能力；graphify将代码、文档、SQL等扫描成可查询的知识图谱；caveman通过Skill和代理约束Agent简短回复以节省Token；awesome-claude-skills和awesome-agent-skills则是Claude及多端兼容的Skill精选目录，帮助用户找到靠谱的自动化与工作流资源。
万字长文｜AI Agent 从入门到精通，通俗易懂讲解
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。
How to Build Agent Memory: Where Does Knowledge Live?
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。
LayerFS：临时工作区，持久共享历史
LayerFS 是一个面向 AI Agent 的文件系统，同时提供可自由探索、随时丢弃的隔离工作区，以及可保留、共享和复用的持久历史。针对并行 Agent 从同一环境出发产生大量重复存储的问题，LayerFS 通过三层机制实现高效存储：内容寻址存储（CAS）复用完全相同的对象；内容定义分块（CDC）采用 FastCDC 风格策略，使局部修改不会导致边界偏移，实现文件内部区域复用；写时复制（COW）只重建发生变化的路径，复用未变的文件系统结构。三者结合使检查点在逻辑上完整不可变，物理上仅增量存储，让 Agent 实验成本低廉且可派生、回溯。
Memory Is a Compiler：记忆是一个编译器
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。