当大语言模型（LLM）遇上知识图谱，AI Agent正在经历一场从"记忆碎片"到"结构化认知"的范式革命。2025年，微软GraphRAG 1.0正式发布，学术界提出ArchRAG等创新方案，知识图谱技术进入快速发展期。

智东西6月3日报道，AI Agent圈子有个很尴尬的问题：**大家在聊同一件事，用的却是不同的词；用同一个词，指的却是不同的东西**。ICLR 2026结束之后，Hugging Face工程师Aritra Roy Gosthipaty发了一条帖子，精准戳中了这个问题：“在Agent语境下，harness和scaffold到底是什么意思？我在ICLR听到过很多种解释，但始终不明白为什么没有收敛到一个

长上下文模型的能力越来越强，能读的内容也越来越长。但一到真实推理服务里，问题很快就会落到显存上。更准确地说，是 KV Cache。

如果把 LangChain 比作"链"（Chain）——一条流水线从头走到尾——那 LangGraph 就是"图"（Graph）——允许分支、循环、条件跳转和暂停等待。

协调多个 Claude Code 实例作为一个团队协同工作，共享任务，实现代理间消息传递和集中管理。

今天很多人谈 Agent 安全，脑子里想到的还是老三样：提示注入、越狱、输出审核。但这篇论文真正想说的是，**当大模型从“会回答”变成“会调用工具、会接外部知识、会自己规划任务”之后，安全问题就已经不再是单纯的内容安全问题，而是一个完整的系统攻击面问题。

昨天一个读者给我发了条很长的消息，说他腾讯二面挂了，挂在一个他"怎么也没想到会被问"的问题上。他简历上写了三段 Agent 项目经历，LangChain、Function Calling 用得很溜，面试的时候项目拆解也讲得挺顺。面试官一直在点头，他心想稳了。

从人类可读的离散符号空间，转向机器原生的连续潜在空间，大模型设计正迎来颠覆性重构。近日，**新加坡国立大学、复旦大学、清华大学、浙江大学**等国内外顶级学术机构，联合发布**大模型潜在空间领域**首个系统性全景综述，尝试通过 “**基础—演进—机制—能力—展望**”五大递进角度，完整拆解潜空间范式（LLM真正的大脑）的底层逻辑、技术路径与未来前景，填补该领域碎片化研究的空白。

之前提到过，初学者第一次接触大模型API，都是用最简单的方式：发个请求，等着拿结果，打印出来。这是OK的。但当你把这个逻辑放进真实产品的时候，问题就来了：

Hermes Agent 源码中有个地方很难忽略：源码中同时存在两套 Agent Loop。一是 run\_agent.py 的 **AIAgent** 。