苹果的 MLX 框架旨在利用苹果芯片的内存处理方式，提升 AI 模型在 Mac 上的运行速度。当然，这并不完全正确，因为他们确实拥有大量的图像处理模型、图像检测以及许多其他较小的功能，这些都使 iPhone 成为现在的样子。而人工智能公司不断制造的“害怕错过”（FOMO）情绪，让你不得不订阅，否则就会被那些臭名昭著的“使用人工智能的人”远远甩在后面。这个故事的合乎逻辑的结局是，随着泡沫破裂，大多数

现在已经到了这样一个阶段，我可以放心地在这里凉快一下，给出我的提示，然后去跑个步再回来，相信它会完成我想要的任务。正式宣布，我现在已经到了这个阶段：我可以向Claude Code发出指令，然后放心地让它自行运行，之后我再回来查看结果。对我来说，那个时刻就是我只提了一个请求，它就准确理解了我的需求。我的博客是AI进展的一个缩影，我现在可以说，情况已经发生了变化，这是我们跨越的一个重要里程碑。我发现输

您可以直观地设计您的智能体，将其集成到您的应用程序中，并对其进行微调——所有这些都在同一个生态系统中完成。将此代码片段插入到您页面的部分或您加载脚本的任何位置，浏览器将为您获取并运行 ChatKit。每个人要么正在构建一个智能体，要么在谈论一个智能体，要么试图创建一个真正有效的智能体。，这是一个拖放式编辑器，能清晰展示你的智能体是如何思考的。——创建、测试和部署你自己的AI智能体所需的一切，都集成

大语言模型（LLM）使用这个结构化的知识图谱来回答查询，如果有必要，它会生成一个聚焦的子查询，以启动一个新的、更精准的检索循环。其他使用的技术包括GraphRAG，它将复杂的结构化知识浓缩成文本摘要，使大语言模型（LLM）能够处理需要全面理解语料库的复杂查询。ToG（图上思考）使大语言模型（LLMs）能够通过引导式、提示驱动的探索直接与知识图谱（KGs）进行推理，逐步构建明确的推理链。GoT（思维

它首先将术语转换为嵌入向量以捕捉其含义，然后使用一种特殊的聚类方法，逐步将宽泛的主题细分为更具体的主题，同时确保通用术语位于较高层级，具体术语位于较低层级。为了在较小主题的术语之间做出更精细的区分，TaxoGen仅使用与该主题相关的文档来学习新的嵌入向量，从而能够区分细微差异。这种方法完全自动化，比以前的方法创建的分类法更清晰、更有用，有助于用户和系统更好地浏览和理解大型文本数据集。任务引导的分类

更妙的是，如果模型在适应用户反馈的同时能够解释其纠正步骤，那么它们不仅会变得更智能，而且会更透明。与仅依赖一般相似度的传统RAG不同，RAS采用主题范围的方法，显著缩小了搜索空间。需求分析系统（RAS）依赖于将杂乱无章、非结构化的文本转化为清晰、结构化的知识。它会生成一个有针对性的子查询，这是一个较小、聚焦的问题，旨在填补知识中的特定空白。这将需要新的索引和处理高容量请求的方法，同时又不降低速度。

想象一下，有一个由AI科学家组成的团队在你的研究实验室里工作。传统的AI系统使用静态提示——它们遵循指令但从不改进。自我改进的智能体则不同：它们从经验中学习，相互协作，并通过强化学习不断优化自身性能。不妨把它想象成一个真正的研究实验室：初级研究人员、资深科学家和一位导师——每个人的学习方式都不同。—— SFT用于创意，PPO用于复杂推理，Bandits用于选择。— 从成功（奖励 ≥ 0.8）中学习

好的，让我们从基础开始：究竟什么是AI 智能体？这是最简单的思考方式。想象一下，你需要写一篇文章。如果你使用传统的大语言模型（LLM）提示，你基本上会说：“嘿，ChatGPT，给我写一篇关于如何开始健身的文章”，然后它就会从头到尾一次性写完整个内容。但这可不是你我实际写文章的方式，对吧？我们不会一下子就写出完美的初稿。我们会先规划、列提纲、做些研究，写出一份杂乱的初稿，然后反复阅读并修改。这是一个

智能体完成任务后，可以反思自己的行为，将结果与预期进行比较，找出哪些方面做得好、哪些方面做得不好，并将这些经验教训存储在长期记忆中。你可以混合使用速度更快、成本更低的模型来处理高容量的简单任务，同时保留更大、能力更强的模型用于需要精确性的任务，如制定策略、进行细致的客户回复或长篇写作。该反馈会被发送回你的智能体，智能体随后进行修订并再次尝试。你可以就智能体的工作给予反馈，这样随着时间的推移，每次运

它探讨了诸如三个核心层（终端 UI、大语言模型 “智能” 层和工具层）、如何使用异步生成器构建响应式命令循环、流式传输 + 工具调用模式，甚至还涉及一个并行执行引擎和智能工具调度（读与写），这些在底层与支撑 Claude Code 和 Cursor 的技术极为相似。这种方法不太常见，但对于某些用例非常强大，特别是涉及大型数据集的任务，在这些任务中，你可以对数据进行分区并独立处理各个数据块。使用诸如