Memento 换了个思路。它不动模型权重，而是通过记忆与经验累积，让智能体在使用中逐步成长。 核心理念是：让学习发生在记忆层，而不是参数层。

安全牛最近公开发布了一份技术报告《企业级AI大模型落地实战技术应用指南（2025版）：数据筑基，可信赋能》

人类文明的进步，离不开对工具（Tools）的使用。当我们面对复杂的任务时，我们会运用理性思考（**推理**），规划步骤（**编排**），然后借助合适的工具去完成目标。大型生成式 AI 模型（LLMs）的出现，标志着 AI 拥有了强大的 “推理大脑”。但它们的知识是静止的，无法感知瞬息万变的现实世界，更无法主动采取行动。

LLM-as-a-Judge（大语言模型作为评判者）是指利用大型语言模型（LLM）来评估、判断或批判其他AI系统的输出，代替传统的人类评审者的评判方式。

AI 大模型实践笔记 7：text2sql之使用langchain+qwen3实现（附完整案例代码，可直接运行）

实践是最好的学习方式。为了深入理解 LangGraph 和模型上下文协议（MCP）服务器的生态，我们来从零开始构建一个 CLI 编码代理。我们的目标是，抛开 Claude Code 那些花里胡哨的功能，看看最基础的编码代理能做到什么程度。

AI大模型是一种具有大规模参数的机器学习模型，参数量级可以达到数亿或成百上千亿。AI大模型具有强大的特征表达和推理能力，可以处理复杂的数据任务，是人工智能迈向通用智能的里程碑技术。当前，“DeepSeek”“ChatGPT”“文心一言”等大模型的爆火推动了新一轮人工智能技术发展热潮，AI大模型相关研究、产品不断涌现，行业前景十分广阔。

文章提供了AI大模型的多张技术架构图，包括通用技术架构、RAG知识库架构、行业应用架构（农业、导购）、物联网架构、合规管理架构及Agent平台架构等。这些图表直观展示了大模型技术体系、应用场景和实现方式，为开发者提供从基础到落地的全流程技术参考。

一、RAG，检索增强生成，通过从外部知识库中检索相关文档，并将其作为上下文输入给语言模型，从而生成更准确的回答。

开发过多模态 AI 应用的人都应该遇到过这个问题，其实最头疼的不是算法而是基础设施。向量数据库需要存 embeddings；SQL 数据库需要元数据管理；大文件还要放到对象存储上，不仅邀单独跑个 pipeline 做 chunking，还要再写个脚本调模型推理，最后还得套个 agent 框架把这些东西串起来。