AI

共 14 篇文章

你可能并不需要 RAG

本文探讨了传统RAG在复杂场景下因依赖文本片段相似度检索而难以还原完整答案的局限性，并提出了一种基于Agent的层级化检索方案，通过构建目录树和结构化数据来模拟人类阅读过程，适用于金融、法律等对准确性和逻辑完整性要求较高的领域。

2026/4/17

Harness Engineering：当代码不再稀缺，什么才是工程的核心？

随着AI生成代码能力的普及，软件工程的核心正从编写代码转向设计可靠的系统。本文探讨了Harness Engineering（驾驭工程）的兴起，分析了从Prompt Engineering到Context Engineering的演进，并重点阐述了通过架构约束、反馈循环和熵管理来构建稳定、可维护的AI驱动开发环境的技术实践。

#AI

2026/3/31

智能体 2.0：从“循环脚本”到真正的智能系统

文章分析了传统浅层AI智能体在复杂任务中的局限性，并系统性地阐述了深度智能体架构的四个核心支柱：显式规划、层级委托、持久化记忆和极致上下文工程，以实现对多步骤、长时间任务的稳定处理。

#AI

2026/3/17

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。

#AI

2026/3/12

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。

#AI

2026/3/3

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。