想象你去了一家餐厅。如果你只是想喝杯可乐，服务员直接给你倒一杯——快速、便宜、立刻满足。如果你要办一桌婚宴，服务员会找主厨来定制菜单——慢一些、贵一些，但品质极高。如果主厨今天请假了，副厨也能顶上——虽然味道稍有差异，但婚宴不会泡汤。这就是资源感知优化根据任务的复杂度和可用资源，动态选择最合适的处理方式，在质量和成本之间找到最优平衡点。简单问题（如"澳大利亚首都是什么？"）→ 用快速经济的模型（如

一句话：HITL 是让 AI 和人类“各干各擅长的”，AI 负责计算和数据处理，人类负责关键验证、判断和干预。打个比方完全自主的 AI：像让一个实习生独自审批百万贷款——效率高但风险大HITL：像让 AI 做初筛，把可疑案件交给资深信贷员复核——既提效又兜底（变体）：像人类经理制定策略规则，AI 按规则高速执行，人类只管“定方向”HITL 的本质：不是把 AI 当人类的替代品，而是当作增强人类能力

一句话：MCP 是 LLM 与外部系统的"通用适配器"，让任何 LLM 都能无缝连接任何外部工具、数据库或 API。打个比方工具函数调用：像给 AI 配一套专用工具（特定扳手和螺丝刀），适合固定任务MCP：像通用电源插座系统，允许任何合规工具接入，打造动态可扩展的工作坊MCP 的本质：开放标准协议，规范 Gemini、GPT、Claude 等 LLM 与外部系统的通信方式。⚠️ 重要提醒：MCP

一句话：MCP 是 LLM 与外部系统的"通用适配器"，让任何 LLM 都能无缝连接任何外部工具、数据库或 API。打个比方工具函数调用：像给 AI 配一套专用工具（特定扳手和螺丝刀），适合固定任务MCP：像通用电源插座系统，允许任何合规工具接入，打造动态可扩展的工作坊MCP 的本质：开放标准协议，规范 Gemini、GPT、Claude 等 LLM 与外部系统的通信方式。⚠️ 重要提醒：MCP

特性PPODPOGRPODAPO需要奖励模型✅❌❌❌需要 Critic✅❌❌❌训练复杂度最高低中中显存占用最大最小中中探索能力强弱中强数据需求在线生成离线偏好对在线生成在线生成代表模型ChatGPTZephyr最新研究适用场景追求极致效果数据充足时性价比优先最新前沿研究提出方OpenAIStanfordDeepSeek2025 学术界。

特性PPODPO流程两步（奖励模型 + PPO 微调）一步（直接偏好优化）复杂度高（需训练奖励模型）低（直接优化）稳定性可能"钻空子"骗取高分更稳定适用通用 RL 场景LLM 与人类偏好对齐。

特性PPODPO流程两步（奖励模型 + PPO 微调）一步（直接偏好优化）复杂度高（需训练奖励模型）低（直接优化）稳定性可能"钻空子"骗取高分更稳定适用通用 RL 场景LLM 与人类偏好对齐。

本文介绍了为AI Agent构建完整记忆系统的关键设计原则与实施方案。记忆系统采用分层架构（工作记忆/短期记忆/长期记忆），通过权重标记（⭐⭐⭐/⭐⭐/⭐）和热度机制（🔥）实现智能记忆管理。核心组件包括engram.md（权重记忆）、current.md（待办事项）和每日日记，采用启动序列按需加载以优化上下文窗口使用。系统通过自动维护机制（热度衰减、定期清理）保持高效运行，确保重要信息持久保存而

本文介绍了为AI Agent构建完整记忆系统的关键设计原则与实施方案。记忆系统采用分层架构（工作记忆/短期记忆/长期记忆），通过权重标记（⭐⭐⭐/⭐⭐/⭐）和热度机制（🔥）实现智能记忆管理。核心组件包括engram.md（权重记忆）、current.md（待办事项）和每日日记，采用启动序列按需加载以优化上下文窗口使用。系统通过自动维护机制（热度衰减、定期清理）保持高效运行，确保重要信息持久保存而

特性ADKLangChainLangGraph短期记忆长期记忆无内置BaseStore语义检索需集成向量数据库Store + 嵌入索引状态更新方式自动（memory.save_context）手动（store.put）托管服务无无推荐场景Google 生态生产部署快速原型开发复杂状态管理。