🏷️ 权限控制

让RAG长出脑子：Agentic RAG的多步推理实践

文章指出传统单轮 RAG 在处理复合问题时存在检索不足或幻觉的缺陷，提出通过 Agentic RAG（多步推理）来解决。核心思路是将 LLM 从被动应答升级为主动调度的指挥官，利用 ReAct（推理-行动循环）机制，自主决定检索次数和工具调用。文中详细展示了如何封装检索工具、执行函数（含权限过滤、混合检索）以及编写多步推理循环代码，实现复杂问题的精准回答。

No .md files until Series B：为何生产级 Agent 需要真正的内存层

文章以一个垂直 Agent 创业公司因使用 Markdown 文件管理内存而导致架构崩溃的真实案例为引子，深入探讨了在构建生产级、多用户、多 Agent 系统时，简单文件存储无法解决的五大核心难题：细粒度权限控制、并发写入冲突、时态查询准确性、可追溯的自我改进机制，以及海量数据的检索效率。作者指出，虽然 MD 文件适合早期原型，但一旦系统规模扩大，开发者往往会不自觉地重新发明数据库，这实际上是倒退。

Claude Code vs OpenClaw：两种 Hooks 系统的设计哲学对比

文章深入对比了 Claude Code 和 OpenClaw 两种 AI Agent Hooks 系统的设计哲学。Claude Code 围绕“工具调用”构建，侧重于权限审批与企业安全防护；OpenClaw 围绕“事件流”构建，侧重于全链路观测与本地开发扩展。文章从架构、安全模型、事件类型及使用场景等方面进行了详细剖析，帮助开发者理解两者的核心差异与适用边界。