你的 Agent 可能并不需要过度工程化：一次从 LangGraph 到极简 Agent 的架构反思
文章回顾了从基于 LangGraph 的复杂多阶段 Agent 系统到极简架构的演变过程，探讨了模型能力提升如何减少对工程优化的依赖，并分析了 Tool 并发执行、Sub-Agent 隔离和异步消息压缩等关键设计。
返回分类列表
AI
共 11 篇文章
Context 不是压缩出来的，而是设计出来的
文章探讨了在构建AI Agent时，上下文管理的深层问题，指出传统压缩方法如RAG和摘要的局限性。作者从工程角度分析，提出通过设计信息流，利用子Agent预处理网页、日志和命令输出，以优化上下文质量，强调Context Engineering的重要性。
Agent Skills 不完全指南
本文探讨了 Agent Skills 作为 SOP（标准作业程序）的技术实现，详细解析了其基于渐进式披露（Progressive Disclosure）的三阶段加载机制（发现、激活、执行），并与 MCP（Model Context Protocol）在上下文加载方式和信任模型上进行了对比。通过一个中文写作规范 Skill 的示例，展示了如何设计目录结构、编写元数据和引用文档，以优化 Agent 的上下文使用效率。
🚀 为什么 LangChain 不做可视化工作流？从“工作流”到“智能体”的边界与融合
本文探讨了 LangChain 团队选择不开发可视化工作流构建器的深层原因，分析了工作流与智能体在 AI 应用架构中的边界与融合趋势。文章从技术实现角度出发，讨论了高复杂度场景下代码化工作流的必要性、低复杂度场景中无代码智能体的优势，以及中复杂度可视化工作流在原型验证中的过渡角色。
漫谈 MCP 构建之 Resources 篇
本文深入探讨了如何构建 MCP Server 的 Resources 组件，通过 Python SDK 实现静态和动态资源，利用装饰器简化开发，并详细介绍了资源的核心协议和实战配置过程。
漫谈 MCP 构建之概念篇
本文深入探讨了 Model Context Protocol (MCP) 的核心概念，包括其作为标准化协议如何解决 Function Call 的碎片化问题，并详细解析了 MCP Server、Client 和 Host 的角色与交互机制，为构建和接入 MCP 系统提供技术基础。
AI 助手项目的得与失
本文复盘了一个文旅AI助手项目的技术实现，重点探讨了结构化数据在RAG场景下的切分难题、长文本字段的处理策略，并对比了基于ID检索的优化方案与MCP Server工具调用的替代路径。
漫谈 AI + 低代码前景
本文探讨了AI与低代码平台结合的技术实现，分析了画布核心能力、统一协议、插件架构，以及通过AI Agent和对话框交互来优化组件生成与动态加载，涉及联邦模块和上下文管理等工程挑战。
微调你需要了解的一些事情
本文系统梳理了大语言模型微调的核心概念，澄清了预训练、SFT、RLHF等阶段的关系，并对比了全量微调和LoRA等参数高效微调技术的实现机制与适用场景。
RAG，你需要了解的都在这篇文章里
文章剖析了检索增强生成（RAG）的经典流程，从文档解析、智能分块到向量化、查询重排等环节，探讨了技术细节如 Agentic Chunking 和 Reranking 模型，旨在为工程师提供构建健壮 RAG 系统的实践洞见。
