最近两年，似乎所有企业，都在追AI的风口，很多企业都在做 AI 知识库、智能客服、问答助手、文档助手、研发助手、运营助手、决策建议等。技术方案听上去似乎也都很统一：**把企业文档接入大模型，做一个 RAG 系统

上期咱们聊了记忆系统的设计思路——短期记忆、长期记忆、记忆巩固、记忆遗忘。理论讲了一圈，今天该动手了。本篇用 LangChain 的四种 Memory 模块，手把手搭一套真正能跑的对话记忆系统。零基础友好，代码可直接复制运行。

一句话：不存在"最好的框架"——LangGraph、OpenAI Agents SDK、CrewAI、Dify 分别代表四条完全不同的开发路线，选型的关键不是"谁更火"，而是"你要解决什么问题"。

这篇文章要聊的，是谷歌新推出的一套 agentic RAG（智能体检索增强生成）框架。它由 Google Research 和 Google Cloud 联手打造，核心思路是：先把复杂的企业级问题拆开，然后一遍遍地去找上下文，确认信息够了，再动手生成答案。说白了，就是让模型别急着回答，先把上下文功课做扎实。

这篇文章要聊的，是谷歌新推出的一套 agentic RAG（智能体检索增强生成）框架。它由 Google Research 和 Google Cloud 联手打造，核心思路是：先把复杂的企业级问题拆开，然后一遍遍地去找上下文，确认信息够了，再动手生成答案。说白了，就是让模型别急着回答，先把上下文功课做扎实。

关于智能AI系统为何在生产环境中仍然崩溃的不适真相——以及最终能解决这一问题的工程学科。

作为一个带大模型后训练算法团队的 AI 工程师，我用 OpenClaw（龙虾）用了大半年，积累了不少记忆和技能。但当 Hermes 发布之后，我花了一个周末完成迁移，再也没回去。这篇是我上手Hermes 的完整记录——不只是迁移教程，更是从零理解 Hermes 三大核心机制（Memory / Skill / Nudge Engine）、安装、配置 GLM-5.1、以及我用它做工作记录、简历筛选、论

为什么在知识准确性才是真正产品的场景下，检索质量比前沿模型更重要

基础RAG、单Agent工具调用、简单对话记忆，已经是全网烂大街的入门教程，几乎所有开发者都跑通过。

昨天，Hermes Agent 桌面端上线了。看到这个消息的时候，我第一反应是：Hermes 真是把饭喂到嘴边了。