RAG 的本质，是把知识从模型参数中解耦出来，在推理阶段通过检索动态注入，从而提升系统的事实准确性、可维护性和可扩展性。最近在做一个AI agent的项目，发现很多人在用 RAG，但一问「RAG 的本质是什么」，回答却越来越抽象。所以，总的来说，如果把大模型当成大脑，RAG 就是让大脑在思考前先翻书，而不是只靠死记硬背作答。RAG 的核心思想，就是让模型在回答问题之前，先去“翻资料”，再基于资料作

但当你真的开始做 RAG、Agent、多步推理系统，你会发现问题根本不在模型，而在你怎么把这些东西组织起来。LangChain 的价值，不在于功能有多强，而在于让混乱的 LLM 流程变得“像工程”。LangChain 像项目管理工具，帮你把流程、工具、资料都组织好。那么，不用 LangChain 的时候，系统会变成什么样？LangChain 做的事情，不是告诉你每一步怎么干，把零散的步骤，变成一条

最近看到Openclaw非常的火，那么OpenClaw 是什么？OpenClaw 做的事情，是让模型具备更强的“行动能力”。OpenClaw 不让模型更聪明，但让模型“动起来”。二、OpenClaw 的定位：从“顾问”变成“助理”OpenClaw 更像一个“真正会干活的助理”。所以，Agent 决策，OpenClaw 执行。一、很多 AI 系统，其实只有“会说”的能力。公司真正能不能运转起来，不只

RLHF = 老师不给标准答案，只告诉你好不好，让你自己调整。给模型大量“输入 → 标准答案”的示例，让它学会模仿。“模型已经预训练那么大了，还需要 SFT 吗？这就是从“研究模型”到“可用模型”的关键一步。公司给新员工一套“标准话术”和“范例文档”。用监督学习，让模型最大化“正确答案”的概率。SFT 是把“会说话”变成“会按要求说话”。SFT 更像是给大模型做一次“岗前培训”。SFT 不让模型更

Embedding 不是简单的向量化，而是构建语义空间的技术。它是把“语义关系”重新排布到一个可计算的空间里。Embedding 本质上是“语义空间映射”。很多人以为 Embedding 是压缩文本。Embedding 是不是 LLM 生成的？四、Embedding 是“意义压缩器”而不是只找“对话记忆稳定性”这几个字。它负责把“文本”变成“可搜索的形态”。把离散的文本，映射到连续的向量空间。这就

最近针对许多agent项目的长信息断裂问题，我做了一个“双速递归记忆”中间件：让 Agent 不再长对话就失忆（Topical-Chat 全量 10,784 对话 avg_recall +10.0%，d4 +21.7%）# ========== Fast Memory 更新 ==========# ========== Slow Memory 更新 ==========快记忆负责“记录”，慢记忆负

绝大多数 Agent 不会自动进化，它们只是被设计得“看起来会成长”。绝大多数 Agent，在运行过程中并不会自动更新模型参数。最近几年，Agent 这个词被用得越来越“神”。思考 → 行动 → 观察 → 再思考 → 再行动。三、错觉三：RAG 让回答更准，所以模型变强了。一、错觉一：它会“反思”，所以一定在变强。状态在更新、记忆在累积、但模型参数没有变。Agent 的行为“看起来”像是在成长。那

ReAct 让 Agent 走出第一步，但真正的架构成熟，来自循环、执行、记忆与协作的叠加。真正成熟的 Agent 架构，远比一个“思考 + 行动”循环复杂。二、第二阶段：ReAct —— 决策循环的诞生。今天我们从架构演进的角度，讲清楚这条路径。五、第五阶段：引入记忆 —— 长期状态系统。ReAct 只是那个让它“动起来”的起点。Agent 不再是流水线，而是探索系统。此时系统更像一个组织，而不

而 Agent 更像项目经理，负责规划、执行、调用工具和持续决策，是一个具备状态和行动能力的系统。AI Agent 的核心价值不在“多聪明”，而在于“能不能把复杂目标拆解成一系列可执行、可校验的步骤”。而是理解目标 → 拆解任务 → 调用工具 → 协调资源 → 检查结果 → 决定下一步。👉 对应：Planner Agent / Task Decomposition。👉 对应：Planning

Agent 决定做什么，LangChain 负责怎么做，MCP 规定“怎么接”。一旦工具和 Agent 数量上来，没有统一标准，系统一定会失控。有 MCP 的 AI 世界，才有可能进入“帝国级系统”。一、先说结论：MCP 干的不是“创新”，而是“统一”一个工具，能被不同模型、不同 Agent 直接用。二、在 MCP 出现之前，AI 世界是什么状态？如果你最近在关注 AI Agent、工具调用，如果