这篇由上交大和中科院团队发表的综述论文提出了"外化"(Externalization)作为LLM Agent进化的核心路径，强调通过外部设施而非单纯增大模型规模来提升系统性能。文章将Agent发展划分为三个阶段：权重内化、上下文优化和Harness体系，并系统阐述了外化的三个关键维度：记忆系统（分层管理状态）、技能文件（固化任务流程）和交互协议（标准化通信）。论文特别指出，将这

本文梳理了7种常见的多Agent协作架构模式。按照控制权集中程度，5种主流模式形成从集中到分散的梯度：Pipeline、Orchestrator-Worker、Hierarchical、Blackboard和P2P/Swarm。此外还有两种特殊模式：MoA（并行聚合）和Market-based（市场竞标）。文章详细分析了每种架构的运行原理、优缺点及适用场景，其中Orchestrator-Worke

摘要：AI Agent是2026年AI生态的核心，具备自主决策、规划执行等类人能力。其架构包含感知、规划、行动、记忆和反思五大模块，形成闭环系统。关键技术包括A2A（Agent间协作协议）、MCP（标准化工具调用协议）和模块化Skills（专业能力包）。应用场景涵盖个人助手、企业服务及多Agent协同系统，显著提升任务处理效率。目前开发门槛降低，安全性增强，正推动AI向更智能、协同的方向发展。（1

本文全面探讨具身智能（Embodied AI） 的基础与前沿进展，核心聚焦大语言模型/ 多模态大模型与世界模型（WMs） 对具身智能的赋能作用 ——LLMs/MLLMs 通过语义推理和任务分解强化具身认知，WMs 通过构建外部世界的内部表征和未来预测支撑物理合规交互，二者融合形成的MLLM-WM 联合架构成为突破复杂物理世界任务的关键方向。

解决什么业务？——应用层：技术驱动 → 场景驱动怎么避免裸奔？——AI工程层：AI原型 → AI产品流程怎么编排？——工作流层：单步执行 → DAG控制用什么框架搭建？——框架层：造轮子 → Agent SDK怎么学会思考？——认知层：直给回答 → 结构化推理上线怎么监控？——可观测层：黑盒盲猜 → 全链路可观测怎么记住东西？——Memory/RAG层：失忆聊天 → 持久记忆模型怎么选型？——运行

摘要： Harness工程是围绕模型构建系统，使其成为可实际工作的引擎。Agent由模型和Harness组成，后者包括状态管理、工具调用、反馈循环等非模型本身的逻辑。Harness通过文件系统、代码执行、沙箱环境等能力扩展模型功能，解决持久存储、自主执行、实时信息获取等问题。未来，模型训练与Harness设计逐渐耦合，形成反馈循环，但Harness优化空间仍大，显著影响Agent性能。核心思路是从

这篇文章系统介绍了机器学习模型训练的核心原理。主要内容包括：1）模型训练本质是通过调整参数从数据中学习规律；2）模型通过嵌入技术将文字、图像等转换为向量表示；3）学习过程通过预测-误差计算-参数调整的循环实现；4）大模型采用预训练（学习通用知识）和微调（适配具体任务）的两阶段训练；5）评估模型需考察泛化能力（处理新数据）和鲁棒性（应对复杂场景）。文章揭示了模型"智能"的本质是在

在拆解细分概念之前，我先点明最核心的重点：AI Agent是以大模型为核心载体，可以自主调用外部工具、接收任务反馈，并且能持续性推进、落地完整任务的系统。这句话里最关键的关键词，既不是大模型，也不是工具调用能力，而是——持续性完成任务。我们日常使用的普通对话大模型，运作模式非常简单：你发送提问，它给出对应回答，单次对话到此结束。开启新一轮对话后，模型不会主动延续上一轮的内容，更不会自主推进相关任务

摘要：Token是大模型处理文本的基本单位，相当于文字的"计量标准"。它既是计费依据（输入输出都计算），也决定模型处理能力上限（如128K Token约10万字）。Token拆分主要有三种方式：按词语（如"苹果"为1个）、按单字（如英文词拆分）、按标点符号（每个标点单独计算）。例如"今天天气真好啊"被拆分为10个Token。输出内容同样按

AI正在重塑软件开发行业，传统程序员面临严峻挑战。文章指出5类最易被淘汰的程序员：CRUD工、搜索侠、技术保守派、业务盲和纯执行者。同时提出4个转型方向：从编码转向架构评审、深耕行业知识、掌握AI工具链、培养产品思维。核心观点是：未来程序员必须学会与AI协作，将重心转向业务理解和解决方案设计，而非单纯编码。AI不会淘汰所有程序员，但会淘汰那些无法适应技术变革的人。