Token省35%、工具调用暴降94%！本地知识图谱改变的5个编程习惯
作者分享了使用本地知识图谱重塑编程习惯的经历。文章详细对比了RAG和知识图谱的区别，介绍了Graph RAG的概念，并展示了如何利用开源工具CodeGraph将代码库转化为知识图谱。这一改变使Token消耗降低35%，工具调用减少94%，显著提升了开发效率。
相关文档
从RAG到上下文图谱：9步路线图
文章探讨了传统RAG在处理多跳推理问题时的局限性，指出检索文本块无法捕捉复杂的实体关系链。为此，作者提出了一种向“上下文图谱”转型的9步实施路线图。该方法通过从文本中提取实体与关系三元组，进行实体规范化以避免图谱割裂，并构建双向边表。图谱通过多源验证分配边权重，并为每条边附加来源以实现精准溯源。最终，检索过程转变为图谱遍历，通过反向可达性分析和路径权重排序，精准定位多跳查询的答案。
图工程：构建全自动化AI开发系统
本文介绍如何摒弃手动单次提示，通过构建AI系统实现开发自动化。以Claude Code为基础，结合上下文规则实现工程化代理；利用循环工程让系统自动发现任务、执行并验证结果；引入图工程作为知识记忆层，通过三元组存储项目逻辑，使模型准确率大幅提升且避免从零开始；最后通过模型路由按任务复杂度自动分配Opus 5或Fable 5，以大幅降低开发成本并成倍提升工作效率。
Kimi K3 + 图工程：降低85%成本并提升18%准确率
文章介绍了通过结合 Kimi K3 模型与图工程构建 AI 系统的方法。相比传统 RAG，该架构利用知识图谱存储实体关系，能处理复杂推理，实现成本降低85%和准确率提升18%。文章引用微软 GraphRAG 等研究，详细阐述了如何从零开始构建该系统。
图工程如何取代RAG：微软、斯坦福和Anthropic的实践
文章介绍了图工程相比传统RAG在复杂问题回答上的优势，通过微软GraphRAG、斯坦福DSPy及Anthropic Claude的案例，展示了图结构如何提升AI准确性和降低成本。核心观点是图工程能捕捉实体间关系，而非仅检索文本片段。
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。
万字总结：成为 Agent 工程师的学习线路
作者面试一家 AI+Web3 公司失败后，获得面试官分享的《Agent工程师入门指南》，并结合自己的学习心得整理成一条完整的 Agent 工程师学习路线。内容涵盖 LLM 基础（Transformer、Token、上下文窗口、采样参数、API 协议、流式输出、结构化输出、工具调用、Embedding）、Prompt Engineering（Zero-shot/Few-shot、CoT、ReAct、Reflexion）以及 RAG（文档解析、分块、检索与重排）等核心知识。每个知识点都附有学习文档链接、项目要求和验收标准，帮助学习者系统掌握 AI 应用开发技能并检验学习成果。
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。
新的八股文已经出现：25道Agent高频实操面试题
作者整理了25道Agent方向高频实操面试题，聚焦一线项目落地痛点，分为五大模块：Agent核心架构（ReAct与Plan-and-Execute选型、多Agent设计、HITL机制）、工具调用落地（Function Calling、Schema设计、重试熔断降级）、记忆与状态管理（长短记忆、Token溢出）、效果优化与问题排查（Bad Case溯源、性能瓶颈定位）以及Agent+RAG落地（检索优化、幻觉防控）。这些题目针对FDE等需要真实项目落地经验的岗位，大多是开放性问题，能同时考察面试官和面试者的实战深度。
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。
DeepSeek kernel 工程师自述：亲手把自己的手艺变成过时技艺，以及微信开源企业 Agent 框架 WeKnora
文章包含两条内容：一是 DeepSeek kernel 工程师 Shengyu Liu 的长文，讲述 AI 已能自主分析 CUDA/PTX/SASS 并优化 kernel，他预判半年到一年内 AI 写的 kernel 可能超过自己，工作将从亲手写代码变为驾驶 Agent，并担忧未来社会走向共产主义或赛博朋克两极，因此选择留在 DeepSeek 推动开源 AI。二是微信团队开源的 WeKnora 框架，已从 RAG 系统进化为企业 Agent 基础设施，提供知识处理、ReAct Agent、Sandbox 执行环境、长期记忆和 Auto-Wiki 能力，代表 RAG 向企业 Agent Context + Runtime 的迁移趋势。
Developers Guide to using fewer Gemini Tokens with your Agents
本文介绍如何通过上下文压缩代理 headroom 减少 Agent 调用 Gemini 模型时的 token 消耗。作者指出 agent 上下文中大部分 token 来自工具输出的冗余 JSON、日志和搜索结果，而非精心设计的提示词。通过在 Gemini 3.8 Flash 前部署 headroom 代理，在四种生产级 agent 工作负载测试中，prompt token 减少 76%，任务准确率保持 100%，首 token 时间有所改善，建模成本下降约 70%。文章同时诚实探讨了压缩的有损性：压缩器保留模式、分布和异常值，但会丢弃普通记录，模型在数据缺失时会拒绝编造。项目开源且可复现。
