1）企业私有数据体量远超任何模型的上下文窗口容量；2）模型存在“lost in the middle”问题，难以有效处理长上下文中间部分的信息；3）长上下文处理带来的时间成本和费用开销非常大；4）RAG 架构提供的组件分离设计拥有更高的系统可维护性和问题可追溯性。

本文系原作者观点，Baihai IDP 仅进行编译分享作者 | Peter Steinberger编译 | 岳扬最近我没怎么在社交平台上活跃，因为我正全身心投入到最新的项目中。如今，智能体工程（Agentic engineering）已经变得非常强大，几乎能编写出我需要的 100% 的代码。然而，我却看到很多人还在费力解决本不该存在的问题，搞出一堆繁复的表演，而不是专注把事搞定。这篇文章的部分灵感

不妨关注一下专为智能体设计的 Mem0 等新兴架构，它们的目标是实现智能化的记忆管理 —— 能像人类一样自主判断信息价值，动态筛选需要保留的内容并优化存储方式。但这种情况正在改变。如今，AI 小伙伴能记住我们上周的对话，回想起我们的喜好，并从与我们长期的交流互动中学习。我们今天为大家带来的文章，作者的观点是：记忆能力是 AI 从工具进阶为真正智能伙伴的关键桥梁，只有具备完善的记忆系统，AI 才能提

文章详细介绍了作者针对 GPT-4.1-nano 模型进行的对照实验，测试了包括 CSV、JSON、Markdown Table、YAML 等在内的 11 种常见表格格式，使用 1000 条员工记录和对应问题，系统性地评估了各种格式在准确率和 token 消耗两个维度的表现。我们今天为大家带来的文章，作者通过一项对照实验指出：表格格式对 LLM 的理解能力有显著影响，其中 Markdown-KV

在 AI 时代之前，SaaS 的毛利率常高达 80-90%，因为单个用户的边际成本近乎为零。Cursor 对此建立了完善的风险对冲机制，因其对算力消耗最大的功能采用按 Token 计价模式，并在 API 供应商的成本价格基础上保持有 20% 的溢价空间。（特别说明：任何 SaaS 服务条款中的“无限制（unlimited）”通常受合理的使用条款约束，供应商保留对滥用服务者拒绝服务的权利）。更妙的是

UB-PMC 包含真实的科学图表，而 Synth 则是生成的模拟图表。ChartDETR 等先进方法结合了 CNN 和 Transformer，实现了端到端的数据提取，而 FR-DETR 等模型则优化了流程图和树状图的结构提取，但处理复杂连接线的挑战依然存在。最初，这一领域依赖于基于规则的方法，但现在，深度学习技术的应用，如使用边界框和图像分割，极大地提升了检测的精确度和速度。但当遇到科学和专利文

但我能观察到它的行为模式：它高度重视多个智能体之间的一致意见，同时也会指出那些值得考虑的异常情况，并且更为关键的是，当多个结果收敛到一个简单方案时，它倾向于选择更简洁的解决方案（尤其是在我额外通过提示词强调“追求简洁”的情况下）。而具有独立起点的并行智能体则能跳出这类陷阱，探索问题空间的不同区域，突破平庸的解决方案，找到更优方案。在之前的文章中，我谈到了我对上下文工程的心智模型：上下文工程的目标是

我们今天为大家带来的文章，作者的核心观点是：2025 年大语言模型的真正突破不在于参数规模的扩张，而在于训练范式、智能形态与应用架构的深层转变 —— 尤其是基于可验证奖励的强化学习（RLVR）、AI 作为“幽灵”而非“动物”的认知重构，以及面向垂直场景的新型 LLM 应用层的崛起。

他们花了一年左右的时间，以数百种不同的方式对架构进行了调整，最终成功开发出了一种不同类型的模型（这是一种状态空间模型/“SSM”），在相同的数据上进行训练时，它的表现与原始的 transformer 大致相当。（b）通过新技巧提升数据的利用效率，使系统更高效、对数据的需求更低（预计 2025-2026 年我们将见证推理模型领域的此类竞赛 —— 研究人员争相对可验证的内容进行发掘、分类和验证）。可以

你最初的优势是拥有完整的代码上下文，这是实现这一切的前提；比如一款解梦场景的 AI 应用，允许用户每天早晨记录梦境，基于梦境生成 AI 视频，维护一个专属的梦境日记，并且能随着时间推移揭示梦境中存在的模式 —— 这样的产品就完整地解决了一个用户真正想要完成的深层任务。诚然，用户也可以向 ChatGPT 描述梦境，甚至它还能保存历史记录，但专用的解梦应用却能通过特定字段（如反复出现的人物、地点、物品