服务器装好以后，我才真正意识到：Hermes Agent 的重点不是“能不能一键安装”，而是它后面那套 Agent、Gateway、工具和模型配置的组织方式。

服务器装好以后，我才真正意识到：Hermes Agent 的重点不是“能不能一键安装”，而是它后面那套 Agent、Gateway、工具和模型配置的组织方式。

这两年除了做自己的产品外，我们还做了不少AI项目，如图所示：

现在大家用LLM做复杂问答的时候，Agentic RAG（智能检索增强生成）已经成了主流方案。简单说就是让模型一边推理、一边检索、一边生成，像侦探破案一样一步步拼凑答案。但问题来了——推理链越长，出错的概率就越高。一旦某一步出了问题，整个答案就可能跑偏。

之所以需要Function Calling，通俗来讲就是大模型不具备实时性。因为模型是基于之前的数据训练出来的。而 Function Calling 具备实时性的优势，比如调用第三方API、或者 Database 来获取实时数据。这样结合2者的优势就能给到用户最正确最合理的反馈结果。实现 Function Calling 需要以下几步：预定义需要调用的Function函数将定义好的Function

文章解析了AI Agent的差异化竞争格局，中国三大代表产品豆包、千问和Kimi分别聚焦娱乐、生活服务和生产力领域。Kimi以"Token效率+长上下文"为核心技术路径，打造具备主动规划与复杂任务执行能力的Agent，已能完成200+步骤的高难度工作。AI Agent正通过价值Token化、流通化和重组，从工具层面深化到工作与组织层面，重塑智能价值创造方式。

最近逛 GitHub 时，看到了 Qwen 开源的专用 Agent 框架，**Qwen-Agent** 。为开发者提供了强大的工具和灵活的接口，支持构建具备指令遵循、工具使用、规划、记忆等能力的智能体应用。

他的系统在模型调用上做得相当不错 —— 选了该领域能力最强的模型，上下文给得够全，提取内容也基本准确。但面试官偏偏不问模型选型、不问数据量，直接奔着**输出格式**去了。

企业知识管理三条路，该走哪条？RAG微调本体论Ontology企业AI知识管理GraphRAGFine-tuning

大多数人的笔记工具是「写入容易、提取困难」——记了很多，但需要的时候找不到、用不上。我搭了一套 **人 + AI Agent + 本地知识库** 的协作系统，让知识真正流动起来：进得去、找得到、能输出、自维护。