企业需要大脑而非连接器
文章指出，当前的 AI Agent 侧重于通过 RAG 和 API 连接工具来检索信息，但检索不等于理解。真正的企业级 AI 应像一位资深幕僚，能够综合多源数据、解决冲突、追踪时效，并建立对企业环境的动态认知（“企业大脑”）。作者提出通过构建“上下文图谱”并将其以文件系统形式输出，让 Agent 能够获得经过综合处理的深层理解，而非每次都从零开始搜索。
相关文档
从零构建 LLM 架构：10 个实用经验教训
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
如何在 AI Agents 中正确使用 MCP 服务器
文章讨论了 MCP 服务器在 AI Agents 中的应用。盲目启用 MCP 会导致上下文膨胀、成本增加和性能下降。文章提出了两种有效的使用模式：一是显式 MCP 服务器（内联工具注入），通过 @mention 按需加载工具，适合用户驱动的临时需求；二是子代理 MCP 服务器，将 MCP 服务器声明在子代理定义中，利用 allowed_tools 进行最小权限范围限定，适合代码审查或支持代理等特定场景。
Claude Code 架构深度解析：构建生产级 AI 代理框架的最佳实践
本文深入剖析了 Anthropic 的 Claude Code 源代码，揭示了构建生产级 AI 代理框架的核心架构设计。文章指出，真正的代理框架不仅是模型和上下文，更包含了基础设施、多租户和权限控制。关键设计亮点包括：使用异步生成器而非 while 循环来实现可取消、可组合的代理核心；通过并发分类实现工具执行的速度与安全平衡；四级 CLAUDE.md 层级结构实现企业级策略管理；以及系统提示缓存优化、多级上下文压缩策略和精细化的错误恢复机制。
重读 Agent 框架「pi」：对主流 Coding Agent 的反思与极简实践
本文分析了 Mario Zechner 开发的极简 Coding Agent 框架「pi」。文章分享了通用的 Agent 设计经验，包括保持提示词简洁、最小化工具集及文件化状态管理。同时详细介绍了 pi 的三层技术架构，以及其独特的反常规设计哲学，如采用 YOLO 模式、放弃 MCP 支持和内置 TODO，主张通过精简工具和增强可观察性来提升开发效率。
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。
How to Build a Multi-Model Team of AI Agents in 2026
本文介绍 2026 年构建多模型 AI Agent 团队的完整方法。作者指出使用单一模型会导致高成本低效、专业能力受限以及单供应商故障/盲点风险，主张按任务步骤选择合适模型。文章梳理了 2026 年 9 月的主流模型阵容（Claude Opus/Sonnet/Haiku/Fable 5.1、GPT-6 Astra、TypeSafe Jev）及定价，提出五层架构：路由器、编排器、专家模型、评审者（critic）和纯代码层，并讲解如何先对工作负载分类（决策、简单生成、真实工作、难题），再为每层选择最划算的模型。文中附有统一封装多供应商 API 的示例代码，涵盖 effort 参数与 thinking block 处理细节。
Designing MCP Gateway: Uber 的 MCP 管理平台
Uber 推出 MCP Gateway，作为统一管理 AI Agent 与后端服务 MCP 交互的核心微服务平台。文章介绍了其架构：控制平面（MCP Registry）作为工具目录的唯一事实来源，数据平面（Proxy Gateway）负责将 MCP 协议请求翻译为 HTTP、gRPC 或 TChannel 并路由到后端服务。通过基于 Cadence 的 AutoCrawler 自动扫描 IDL 注册表和原生 MCP 服务器心跳，自动发现、生成并注册 MCP 工具，同时支持 Jira、Google 等第三方集成。该平台已托管 800 多个 MCP 服务器和 5000 多个工具，实现了安全、可扩展、统一的 Agent 生态治理。
How We Built Memory For Continually Learning Sales Agents
本文介绍了Monaco团队为持续学习的销售Agent构建记忆系统的实践。作者提出下一代收入平台应从'记录系统'进化为'智能系统'，并设计了Monaco Memory：分为组织记忆与用户记忆两层，采用人类与模型都可读的版本化Markdown（S3存储）作为载体，保证可解释性和可编辑性。系统通过基于事件的pub-sub触发器和定期'反思'（reflection）两种机制自动更新记忆，并将记忆作为上下文注入各Agent任务中。文章以账号筛选排除和异议处理两个场景展示了记忆系统如何提升销售工作流的智能化水平。
Agent traces are the new oil（Agent 轨迹是新石油）
文章提出 Agent 轨迹（traces）正成为 AI 公司间的核心交易资产，甚至出现蒸馏攻击等争夺行为。作者指出 RL 训练、长程任务代理普及使 traces 价值激增，但多数企业仍未善用这一资产。文章分析了 traces 对数据厂商、前沿实验室和应用层的价值，以及在运营优化、安全护栏、持续改进三方面的用途。作者还剖析了从 traces 中提取价值的难点：数据非结构化、体量巨大、反馈混乱、长程信用分配困难等，并类比 2010 年代的大数据浪潮，认为 traces 将成为企业专有智能层和战略资产，唯有通过提炼与使用才能释放价值。
How I Built pragatiLM?
作者详细介绍了 pragatiLM 的构建过程——一个只基于用户提供的源（PDF、网页、YouTube 视频、字幕文件或粘贴文本）作答并附带可点击引用的 AI 笔记本。文章系统讲解了基础 RAG 的原理及其三大失效点：问题作为搜索键不佳、存储只单向单次搜索、输出缺乏自检。pragatiLM 采用九阶段检索管线：将问题转化为五个搜索变体、并行多通道检索、基于排名一致性融合、重排序、答案 grading，低分时基于缺失诊断再次检索，极低分时拒答。文章还涵盖基础设施、消融实验测试等内容。
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。
