智能体需要上下文来执行任务。上下文工程，是一门将恰当信息精准填入智能体上下文窗口的艺术与科学。本文将当下主流智能体中常见的上下文工程策略归纳为几大类。智能体交互可跨越数百轮并调用大量tokens。摘要（Summarization）是一种常见的应对方法。使用过Claude Code的用户会发现，当上下文窗口超过95%时，它会运行“自动压缩（auto-compact）”，对用户-智能体交互的完整轨迹进

一年前的 11 月 30 日，ChatGPT 正式亮相的那个夜晚，一位在软件行业摸爬滚打多年的创业者发出了振聋发聩的感慨：「」这句话瞬间戳中了无数从业者的内心，大家在震撼之余，更对大模型技术带来的行业变革充满了迷茫与敬畏。而在 2023 年阿里云峰会现场，阿里巴巴集团 CEO 张勇的一番话，为迷茫中的从业者指明了破局之路：「」从最初的震撼到清晰的方向，短短一年多时间，大模型浪潮便席卷全球科技圈，成

本文对比了Workflow与Agent框架的适用场景，指出Agent更适合处理复杂长尾任务。重点分析了AutoGPT、LangGraph、Dify、CrewAI和AutoGen五款主流框架，通过直观图表和示例展示其特点及适用场景。Workflow在固定流程中表现良好，但面对多分支、需动态决策的客服等场景时，Agent框架能更好地实现意图识别、跨系统协作和实时调整。文章为技术选型提供清晰指导，帮助开

春节的热闹氛围已逐渐消散，对于程序员群体而言，一场悄无声息的职业挑战已然开启——在行业“降本增效”成为常态的当下，单纯依靠基础技术堆砌已难以实现突破，唯有深耕前沿领域，才能在职业赛道上实现价值跃升。随着DeepSeek等主流大模型技术的持续迭代与突破，生成式AI与大模型领域迎来了爆发式增长，曾经相对小众的算法工程师岗位，如今再度迎来属于自己的“黄金爆发期”，成为程序员群体中最具潜力的赛道之一，也是

本文介绍了8种主流的LLM Agents开发框架，包括OpenAI Agents SDK、LangGraph、LlamaIndex、AutoGen 0.4+、Pydantic AI、SmolAgents、Camel和CrewAI，并详细讲解了如何在每种框架中集成MCP Server，以便更方便地接入外部工具。文章还提供了每种框架集成MCP Server的代码示例，适合想要学习大模型开发的程序员参考

文章介绍了AI就业岗位的结构和划分，分为底座岗、研发岗和落地岗三大类。底座岗包括AI芯片设计、算力调度和数据处理等，研发岗涉及大模型算法、多模态算法、具身智能算法等，而落地岗则包括AI Agent开发、RAG系统工程师、AI解决方案架构师、AI产品经理和AI训练师等。文章详细阐述了每个岗位的职责、要求、薪资和适合人群，为想要进入AI行业的学习者和程序员提供了全面的就业指导。网上其实挺多“普通硕博生

文章介绍了AI就业岗位的结构和划分，分为底座岗、研发岗和落地岗三大类。底座岗包括AI芯片设计、算力调度和数据处理等，研发岗涉及大模型算法、多模态算法、具身智能算法等，而落地岗则包括AI Agent开发、RAG系统工程师、AI解决方案架构师、AI产品经理和AI训练师等。文章详细阐述了每个岗位的职责、要求、薪资和适合人群，为想要进入AI行业的学习者和程序员提供了全面的就业指导。网上其实挺多“普通硕博生

本文介绍了如何通过构建Harness工程化框架，解决主播Agent在高风险直播场景中的可用、可控和可演化问题。文章从Harness的六元组定义出发，详细阐述了主播Agent的Harness分层结构，以及在实际应用中如何通过上下文工程、工具调用约束、生命周期Hook、沙箱执行防护、五层安全防护体系、异常处理与降级策略、LLM驱动的PlanEngine和评测体系等手段，确保Agent的稳定运行。此外，

本文介绍了Kimi团队提出的一种新的Transformer残差连接处理方式，旨在解决传统Transformer模型中“PreNorm稀释”问题。通过引入“注意力残差”，每一层使用Softmax机制选择性地组合前层输出，有效缓解了深层网络训练中的梯度消失问题。此外，为了降低内存占用，团队还提出了“块注意力残差”方案，将连续层分组为块，块内使用标准残差连接，块间使用注意力机制。实验结果表明，该方法在多

本文以极简、入门、初级三个层级，深入浅出地解析了大模型（如Deepseek）的底层工作原理。从用户输入对话到模型如何通过Transformer架构进行概率计算，再到将文本转化为Token、向量化并利用多头自注意力机制进行复杂计算，最后输出概率最高的答案。文章以“文字接龙”游戏为比喻，生动解释了大模型如何通过海量数据训练和数学函数模拟人类语言规律，并强调了位置编码的重要性。整体而言，大模型的核心是根