ReAct（Reason + Act）出自 2022 年的论文《ReAct: Synergizing Reasoning and Acting in Language Models》，作者是 Shunyu Yao 等人，由普林斯顿大学与 Google Research 合作完成。让 LLM 在推理（Reason）的过程中，可以随时调用外部工具（Act），再拿工具返回的信息继续推理。打个比方。Use

FalkorDB 的原生向量检索数据是真正的 vector 类型（用vecf32()转过），而不是长得像向量的普通 List 或 string。属性上建了向量索引，且维度、相似度函数都对得上。最容易让人栽跟头的地方，是「数据看起来没问题」这种错觉：List、string 和 vector 打印出来几乎无法区分，所以我们排查时一定要看类型、不要看值。同时也要记住，「查询能返回结果」不等于「向量索引生

Many people assume orchestrating an agent requires a "framework," but the core loop is essentially just a while:Hermes's() is essentially this.What's truly hard isn't the loop itself, but the engineer

agent 的核心循环简单到不值得用重框架去封装，而循环周边真正难的工程（缓存 / 降级 / 压缩 / 多 provider / 供应链）又恰恰是框架抽象会挡路的地方——所以 Hermes 选择自研瘦核心循环，用依赖最小化换取可控性与安全性。如果觉得这篇文章对你有帮助，欢迎。后续持续分享更多有价值的内容。你的支持是我创作的最大动力！

ReAct（Reason + Act）出自 2022 年的论文《ReAct: Synergizing Reasoning and Acting in Language Models》，作者是 Shunyu Yao 等人，由普林斯顿大学与 Google Research 合作完成。让 LLM 在推理（Reason）的过程中，可以随时调用外部工具（Act），再拿工具返回的信息继续推理。打个比方。Use

流程：你输入 URL → Agent 抓取 → 总结给你看即使网页里藏了 prompt injection，最多让 Agent 输出一段奇怪的摘要。你自己看一眼就知道不对劲，不会有任何后果。你的情况建议自己用，手动输入，输出只看不执行什么都不用加，享受完全透明的提示词自己用，但 Agent 会读外部内容加输入隔离 + 权限最小化自己用，Agent 全自动执行外部驱动的任务加完整保护：隔离 + 权限

qwrap 底层使用bubblewrap（bwrap），一个利用 Linux user namespace 做沙箱的工具。Container 是一个完整的隔离运行环境，底层用了 Linux 的多种 namespace（pid, net, mount, uts, ipc）加上 cgroups 做资源限制。启动延迟：qwrap 毫秒级 / Container 百毫秒~秒级隔离维度：qwrap 文件系统

HR 发现"后端组"的核心成员和"技术部"高度重叠（后端组的人就是技术部的主力），于是 AI 给两个部门生成了。

即使 context 中包含了具体的细节信息，当 actual output 对这些细节做了归纳总结时，judge 仍然可能将其判为idk。

FalkorDB 的核心思想：不存“空”只存“存在的边”[3,6]查询某节点所有边：O(1)O(degree)degree = 当前节点边数量整个图的边数量这就是 Sparse Matrix 图数据库的核心性能模型。场景单类型 vs 多类型影响查询指定 edge type多类型更快只扫描对应矩阵，degree 更小查询不指定 edge type几乎无差别总 degree 相同，多类型有少量合并开销