这是存放在 GraphRunnerContext 里的东西。// 论文主题// 当前草稿// 评审意见GraphRunnerContext (导演/场记)它拿着剧本（PaperState）。它知道上一场戏拍完了（Node A 结束），下一场该拍哪（Router）。它记录着关键道具（content, comments）的状态。Node (演员)它从导演手里接过剧本（state）。它开始表演（执行业务

这是一个 POJO，用来存储整个流程的数据。// 输入的主题// 生成的内容// 评审意见// 迭代次数（防止死循环）设置 OverAllState: 在 Controller 中，我们 new WritingState() 并传入初始 Topic。这是整个图的输入参数。GraphRunnerContext 启动: 当调用 .invoke(initialState) 时，引擎内部创建了 Graph

独立的主体性 (Subjectivity)：每个 Agent 都是一个独立的对象（Object），拥有私有的记忆（Memory）、独特的人设（Profile）和独立的工具箱。它不是流程图里的一个“步骤”，而是一个“人”。消息驱动 (Message-Driven)：系统运行的燃料是“消息”。Agent 之间通过发送和接收消息（Msg 对象）来交互，而不是通过函数调用传递参数。社会化协作 (Socia

今天来学习点有深度的，是关于大模型提高性能的主流解决方案，在 LLM（大语言模型）的军备竞赛中，参数量似乎成了衡量智能的唯一标准。从 7B 到 70B，再到万亿参数，模型越来越聪明，但推理成本和显存占用也呈指数级上升。为了理解一个简单的单词，真的需要激活大脑里所有的神经元吗？显然不需要。人类大脑是模块化的，处理视觉时不需调用听觉区域。这就是稀疏混合专家（Sparse Mixture of Expe

mem0是一个开源的大模型智能记忆层不同于简单的 LangChain ConversationBufferMemory 或原始的向量数据库（Vector DB），mem0 的核心理念是**“以用户/实体为中心的动态记忆管理”**。它不仅是存数据，更是管理记忆的状态。构建 AI Native 应用，不仅仅是调用 API 那么简单。短期记忆决定了对话的流畅度，而长期记忆决定了 Agent 的智商上限和

高级特性适用场景核心价值订票、查库、IoT控制、RPA解决模型无法与外部世界交互的问题，实现“执行”数据清洗、爬虫解析、表单提取解决模型输出不可控的问题，实现“系统集成”拍照问答、语音助手、视频分析拓展输入维度，从“文本交互”升级为“感官交互”合同审查、分级知识库、精准搜索解决向量检索精度低、无权限控制的问题欢迎关注、一起交流、一起进步～

发布了一个基于 Claude 的自动化访谈工具；用它对 1,250 名专业人士进行了有关 AI 使用与态度的访谈；分析了访谈结果并讨论了用户对 AI 的感受与预期；强调使用这种大规模的研究方法来提升 AI 产品和社会理解。

该论文的核心贡献在于首次为黑箱多智能体系统的行为动态监测提供了 principled 框架——TDKPS 通过时间维度的低维嵌入，将不可见的行为动态转化为可量化、可检验的几何特征，两类假设检验则解决了不同粒度的变化检测需求。其价值不仅体现在技术上填补了黑箱多智能体动态分析的空白，更在应用上为生成式智能体的安全部署、公共事件的影响模拟提供了实用工具，同时也为后续研究指出了 “时间建模深化”“语义可解