本文介绍了LLM Function Call和Agent Tool Use的区别，以及如何写一个Demo。

本文探讨了Agent中的"时间旅行"(Time Travel)机制，即在Checkpoint基础上实现状态回退和分支探索的能力。核心内容包括：Time Travel的两种模式（Replay回放和Fork分支）、与Checkpoint的区别（不仅能恢复还能回退）、常见误区澄清以及实现思路。通过旅行规划Agent的代码示例，展示了如何利用历史Checkpoint实现"回到决策点重选方案"的功能，解决了

OpenClaw与Hermes Agent记忆系统对比分析 OpenClaw采用仿生学设计，通过文件系统构建多层记忆结构：长期记忆(MEMORY.md)、每日工作笔记和梦境日记(DREAMS.md)，利用"做梦机制"自动筛选重要信息。其特点是空间扩张型设计，鼓励详细记录但可能臃肿。 Hermes则采用极简设计，仅维护两个核心文件(MEMORY.md和USER.md)

在实际搭建客服系统时，我会先用 MCP 封装订单查询、工单创建、退款等外部能力，再在上层构建 Skill，最后让 LLM 通过工具调用或直接触发 Skill 来完成用户的退换货、咨询等指令。整个架构会清晰很多。模型本身只会生成文本，但我们可以让它输出一种特殊格式的指令，告诉宿主程序：“我想调用这个函数，参数是这些”。到这里，我对 MCP 的理解就一句话：MCP 是一套标准协议，让工具可以被统一发现

在实际搭建客服系统时，我会先用 MCP 封装订单查询、工单创建、退款等外部能力，再在上层构建 Skill，最后让 LLM 通过工具调用或直接触发 Skill 来完成用户的退换货、咨询等指令。整个架构会清晰很多。模型本身只会生成文本，但我们可以让它输出一种特殊格式的指令，告诉宿主程序：“我想调用这个函数，参数是这些”。到这里，我对 MCP 的理解就一句话：MCP 是一套标准协议，让工具可以被统一发现

这篇文章讲解了LeetCode第122题"买卖股票的最佳时机II"的两种解法。题目允许无限次买卖股票，但同一时间只能持有一股。核心解法包括：1）贪心算法，通过收集所有上涨日期的差价来获取最大利润；2）动态规划，通过定义持有和不持有股票两种状态，修改买入时的本金计算方式，将单次交易模型扩展为多次交易。两种方法都能高效解决问题，其中动态规划展现了更强的扩展性，为后续更复杂的股票交易

主包是做威胁情报与AI应用的研究，最开始的目的不是简单做一个“威胁情报问答工具”，而是想针对威胁情报里的多跳查询问题做科研验证。威胁情报里的很多问题，并不是查一个实体、找一段文本就能回答。它经常需要沿着多层关系往下追，比如从攻击组织追到攻击工具，再追到漏洞、基础设施、攻击目标，最后还要把这些信息组织成一条可以解释的证据链。如果只是问：LockBit 3.0 是什么？这种单跳问题，普通向量 RAG

本文介绍了LLM Function Call和Agent Tool Use的区别，以及如何写一个Demo。

本文总结了在构建CTI-RAG（网络威胁情报检索增强生成）系统时遇到的三个关键问题及其解决方案。首先，当向量数据量增大时，召回率反而下降，原因是检索空间过大导致噪声干扰，解决方法是通过元数据预过滤缩小候选范围。其次，图召回中子图规模爆炸问题，通过限制起始实体、控制扩展跳数及子图摘要来解决。最后，向量和图召回结果不能直接混合重排序，需先将子图转换为自然语言摘要再参与排序。这些经验表明，在真实规模的R

本文探讨了大模型RAG（检索增强生成）工程化落地中的性能瓶颈问题，提出了一套基于Celery + RabbitMQ + asyncio的混合异步流水线解决方案。该方案通过RabbitMQ持久化任务、Celery编排任务流、asyncio实现单机高并发，有效解决了文档解析与向量化处理的效率问题。文章详细介绍了架构设计思路、核心代码实现，并总结了生产环境中的常见问题及应对策略，如协程冲突、MQ消息过大