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。
相关文档
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。
Loop Engineering for Sub-Dime Agents: Cutting Token Costs in AI Coding Harnesses
本文探讨如何通过循环工程降低自主编码 Agent 的 Token 成本。以一个 5 轮 PR 修复任务为例，未优化的 Harness 消耗 81,000 tokens（$1.53），而优化后仅需 12,050 tokens（$0.042）。核心机制包括：稳定的系统前缀以最大化 KV 缓存命中；基于 AST 的工具输出压缩，仅提取代码骨架；沙箱确定性工具预检与自动修复，避免浪费 LLM 推理；MCP 工具 Schema 的按需懒加载与 Code-Mode 执行；以及双层级模型路由（Workhorse 处理机械性任务，Frontier 处理复杂规划），并定义了四种确定性升级触发条件，实现亚角级（sub-dime）任务成本。
如果你想做 AI 应用不妨考虑一下 Harness 开发
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。
小白AI入门必学的：66 个 AI 高频词（人话版）
作者基于与朋友交流中发现普通人对 AI 术语的困惑，整理出 66 个高频 AI 词汇，用生活化比喻逐一解释。内容涵盖：AI 与大模型基础（LLM、Token、上下文、多模态等）、聊天常见术语（Prompt、幻觉等）、RAG 与检索技术、以及 Agent、工具调用和 MCP 协议等热门概念。每个词都说明其含义、常见使用场景和记忆方法，帮助零基础读者建立 AI 术语的整体认知地图。
零基础到可就业的 AI 工程师学习路线图
本文提供了一份从零到可就业的 AI 工程师分阶段学习路线图，区别于单纯的技能清单，每个阶段都附带经过验证的优质课程、文档和书籍。路线涵盖六个阶段：软件工程基础（Python、API、Git）、LLM 工作原理（Karpathy 课程、3Blue1Brown）、提示工程与 API 掌握、RAG 检索增强生成（最具就业价值的技能）、Agent 与编排（LangGraph、MCP）、以及评估与生产部署。作者建议用 8-12 个月完成学习，并强调构建真实项目组合和公开写作是获得雇佣的关键。
从 0 到 1 入门 FDE系列教程（一）：FDE到底需要会什么技能
本文探讨了在AI时代，FDE（全栈交付工程师）如何整合业务咨询、算法、工程与交付等多个职能。作者结合自身转型经验，指出FDE需具备业务洞察、客户筛选、沟通落地及端到端技术工程能力。文章系统梳理了从需求收窄、RAG治理、Agent权限控制到部署压测、生产发布及最终知识转移的完整闭环，强调技术落地必须与组织采用相融合，为AI企业级落地提供了实操指南。
AI 名词小白入门白皮书
本文专为缺乏技术背景的AI初学者撰写，旨在理清AI领域的常见名词。作者将AI系统划分为七个层级，详细拆解了从大模型、产品、Token、RAG、MCP到Agent、Workflow、Loop和Graph等核心概念。文章指出新手常犯的认知混淆，并通过具体的任务案例展示AI系统的工作流程。最后，为初学者提供了从分清对象到理解工具执行的实用学习路径，帮助读者建立完整的AI概念地图。
Google和Anthropic对检索的共识：从单一应用到独立服务
文章讨论了Google和Anthropic将检索从单一应用中移出，转变为独立服务的新趋势。这种分离解决了旧RAG设置中的过时嵌入和基础设施耦合问题。通过将摄取与查询分离，并使用结构化单元代替原始文本块，可以显著减少语料库大小并提高向量相关性。
看懂这九个概念，我太奶奶也可以用 AI 赚钱
本文从纯小白视角出发，系统性拆解了 AI 领域的 9 个核心概念：LLM、Token、Context、RAG、Prompt、Tool、MCP、Agent 和 Agent Skill。通过生动的比喻（如将 LLM 比作发动机，MCP 比作 Type-C 接口）和清晰的逻辑链路，文章阐述了 AI 从文本生成到任务执行的底层架构，帮助读者理解 AI 的能力边界、成本构成及应用开发逻辑。
Context engineering: 构建卓越 Agent 的关键
文章探讨了“Context engineering（上下文工程）”作为构建优秀 AI Agent 的核心挑战与解决方案。相比于传统的 IVR 和预设流程，Context engineering 通过“渐进式披露”和条件逻辑，确保 Agent 在对话的每一个时刻都能获得最相关且最少量的信息。这不仅解决了模型处理大量 Token 时的性能下降和幻觉问题，还能让 Agent 充分利用大模型的推理能力，适应复杂的现实场景，并随着模型升级而自然进化。
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。
