用 FastAPI + pgvector 跑通最小可运行私有知识库
本文是一份实战教程，指导读者从零搭建一套最小可运行的 RAG（检索增强生成）私有知识库。技术栈采用 FastAPI 作为接口框架，PostgreSQL 配合 pgvector 扩展进行向量存储，并调用通义千问（Qwen）模型与 Embedding 服务。文章详细讲解了项目结构、依赖配置、数据库模型定义以及文档入库的完整代码实现，旨在构建一个可落地的工程底座。
🏷️ 向量数据库
12 篇阿里开源 Zvec：像 SQLite 一样极简的嵌入式向量数据库
阿里开源了一款名为 Zvec 的向量数据库项目，主打“纯本地、内嵌式”极简体验，号称向量界的 SQLite。该项目基于 C++ 编写，支持零配置安装，性能强悍（毫秒级搜索数十亿向量），同时兼容稠密、稀疏向量及全文检索。它非常适合本地大模型、RAG 和个人知识库开发，彻底免去了部署繁琐的后端向量服务。
Pydantic fixed my Agent's Memory
文章探讨了如何解决 AI Agent 记忆系统的多跳推理问题。传统的向量数据库在处理跨块事实连接时失效，而通用知识图谱常因缺乏结构导致查询噪音。作者提出的解决方案是使用 Pydantic 提前定义本体（Schema），明确实体类型、关系和属性。通过 Zep 框架强制执行这些约束，可以显著提升提取的准确性和数据的可查询性，从而实现有效的多跳推理。
Agentic Memory: 详解 Agent 记忆系统的架构与实现
文章通过生动的类比，指出缺乏记忆是当前 LLM Agent 的主要短板。作者详细拆解了 Agent 记忆系统的三个核心功能：连续性、上下文和学习。文章重点介绍了四种记忆类型：上下文记忆、外部记忆、情景记忆和参数记忆，并深入探讨了如何通过检索增强（RAG）和反思循环来构建持久的智能。
AI Agent 记忆机制原理与实战解析
文章深入浅出地讲解了 AI Agent 记忆系统的工作原理，从基础的单会话与多会话记忆保持切入，引出 Google 提出的情景、语义与程序性记忆三分法。通过对比 OpenClaw 的实现方式与存在的问题，重点剖析了企业级方案 EverOS 的架构。EverOS 将记忆细分为六大类，并通过语义巩固、主动上下文重建等技术优化记忆的抽取、更新与检索。文章还包含 EverOS 的 API 调用示例及 20 个真实落地场景，为开发者提供了 Agent 记忆系统的全景指南。
不做中转，不卖课，如何用 AI 月入 10万
作者分享了今年通过接企业知识库项目实现月入数万的实战经验。文章详细阐述了如何将基础 RAG 升级为企业级 RAG 系统，重点涵盖数据处理层面的文档切分策略（针对 PDF、Excel、代码等）、向量化模型选择及数据库选型；同时深入讲解了检索策略优化，包括长问题处理、混合检索、Rerank 精排及多因素加权排序等技术细节。
非向量 RAG 框架 PageIndex：用 LLM 推理替代 Embedding
文章介绍了 VectifyAI 开源的 PageIndex 框架，这是一种不使用向量嵌入的 RAG（检索增强生成）方法。它通过构建文档的层次树结构，利用 LLM 的推理能力来精确定位答案页面。该框架在 GitHub 获得了超过 2.9 万星，其构建的 Mafin 2.5 在金融问答基准测试中取得了 98.7% 的高准确率。
多Agent场景下数据读写不同步的解决方案
本文探讨了在多Agent系统中，子Agent之间数据读写不同步的问题。根本原因在于单Agent场景设计的默认数据库一致性配置（如Milvus的Bounded级别）无法满足多Agent毫秒级的读写需求。文章详细解释了Milvus的写入机制和四档一致性级别，并通过实验证明将一致性级别从默认的Bounded切换为Strong可以有效解决“写后读空”的问题。
如何精通 RAG 并构建拥有完美记忆的 AI Agent (全流程教程)
本文是一篇关于检索增强生成（RAG）技术的完整教程。文章指出，大多数 AI Agent 难以落地的原因在于模型无法获取企业私有数据。RAG 通过将外部知识库与大模型结合，解决了这一痛点。作者详细拆解了构建 RAG 系统的五个核心阶段：文档摄取与分块、文本嵌入、向量存储、信息检索以及最终生成，并提供了关于分块策略、嵌入模型选择及混合检索的实战建议。
Meet Scout: 开源的企业级上下文代理
本文介绍了 Scout，一个开源的企业级“上下文代理”（Company Brain）。针对现有方案将所有数据存入向量数据库导致索引过时的问题，Scout 提出了“导航优于搜索”的理念，通过 Context Providers 连接 Slack、Google Drive 等实时数据源，像操作文件系统一样导航信息。它还能动态构建 Wiki 和 CRM，并通过持续学习形成闭环。
AI 记忆工具两大阵营：Memory Backends 与 Context Substrates
文章深入分析了 GitHub 上的 AI Agent 记忆工具，将其分为两大阵营：一是“记忆后端”，如 Mem0 和 Supermemory，主要提取事实并存储于向量数据库；二是“上下文基底”，如 OpenClaw，通过人类可读的结构化文件让会话在上下文中累积。作者指出，虽然 Camp 1 主导了市场，但 Camp 2 的架构才是支持连续、多会话工作的未来方向，例如 Zep 已开始从“记忆”转型为“上下文工程”。
12个开源项目，4条技术路线：Agent记忆系统完整选型指南
针对 LLM 无状态导致的“失忆”痛点，文章深入探讨了当前 Agent 记忆系统的四条主流技术路线：纯文件存储、向量数据库+RAG、知识图谱及混合检索。文章梳理了从轻量级 hooks 集成到企业级独立平台的 12 个开源项目，涵盖 claude-memory-compiler、agentmemory、Hermes Agent 等代表性工具，并提供了针对不同用户阶段（新手、个人开发者、团队、企业）的选型建议。作者指出，未来的核心竞争将集中在“如何遗忘”、“保证正确性”和“控制成本”三个维度。