月之暗面把它叫做"Thinking Agent"，核心理念是"模型即 Agent"。简单说，这个模型不只是回答问题，它会主动思考、调用工具、再思考、再调用工具，像人解决复杂问题一样一步步推进。最夸张的是，它能在一个任务里连续执行 200 到 300 步工具调用，中间不需要人插手。比如你让它规划一次伦敦看 Coldplay 演唱会的行程，它会自己搜索演出信息、查日历、订机票、找 Airbnb、预订餐

ReAct 设计中最深刻的洞见在于，它坚持让推理和行动交替 (interleaved)进行，而不是像 Plan-and-Execute 那样分离 (separated)。正如之前分析的，分离式设计的主要缺陷在于其僵化性。交替模式的优势体现在“适应性”上：处理动态环境：世界是不断变化的。一个预先制定的计划很可能在执行中途就因为环境变化而失效。ReAct 的交替模式让 Agent 可以在每一步行动之后

我已经很多年没在线下玩过狼人杀了。不是我不爱玩，是毕业之后凑齐 8 到 12 个人太难了：时间对不上、地点对不上、状态也对不上。狼人杀当然是社交游戏，但我真正念念不忘的，是只靠只言片语盘出真相的推理快感——以及人在桌上互相试探、互相带节奏、互相嘴硬的那股活气。。桌上除了我们俩，其他玩家全都是 AI。你随时随地开一局，能真的玩 10～20 分钟的完整对局；更有意思的是，你还能看大语言模型在高压博弈场

Vibe Coding 不是银弹。它有能力天花板，搞不定真正复杂和创新的任务。它会产生低质量的代码，给未来的维护和调试埋下巨雷。它可能留下你意识不到的安全漏洞。认识到这些局限性，不是为了劝退你，而是为了让你能更理智、更清醒地使用这个工具。把它当成一个给你打下手的超能实习生，而不是一个可以全权委托的 CTO。你可以让它帮你快速盖起一座毛坯房，但房子的结构设计、水电线路的规划、以及最终的质量验收，必须

要理解 AI Agent，我们得先把它和我们已经很熟悉的东西做个比较，比如 ChatGPT 这样的聊天机器人。我们现在是怎么使用 ChatGPT 的？我们问一个问题，它给一个答案。我们让它写一段文案，它生成一段文字。这个过程，本质上是一种“一问一答”的对话模式。它是一个知识渊博、文笔流畅的“回答者”或“生成者”。但你有没有发现，它的所有动作，都局限在那个对话框里。你让它帮你订一张明天去上海的机票，

在上一篇文章🧐什么是 MCP 服务？如何利用 cursor + MCP 快速将现有服务接入大模型？中 ，我介绍了一下 MCP 的概念以及如何快速搭建一个 MCP 服务，文中搭建了一个简单的示例在本地进行调试并顺利调用了工具。在将上篇文章中的示例项目进行完善并发布的过程中，我对搭建 MCP 服务有了新的心得，也踩了一些坑，这篇文章我将更详细的讲讲从 MCP 服务的开发到发布的全流程。

前段时间看到一个数字，把我吓了一跳：训练 GPT-3 这个模型，总共消耗了 1,287 兆瓦时的电。这是什么概念？大概相当于 120 个美国家庭一年的用电量。我当时就想，这也太夸张了吧。但仔细想想，这几年 AI 发展得这么快，ChatGPT、Midjourney 这些工具我们每天都在用，背后得有多少服务器在运转？这笔环保账到底该怎么算，我觉得值得好好聊聊。

摘要 本文介绍了一种利用AI批量检查并纠正文档错误的方法。作者发现公司多语言技术文档中存在拼写错误后，设计了一套自动化流程：将文档按行编号后输入AI模型（Deepseek），要求以JSON格式返回错误行号、原始内容、修正建议和错误类型。为提升准确性，作者优化了提示词设计并增加了原始内容校验机制，避免误改。最终实现了一个TypeScript脚本，可并发处理上千份Markdown文件，有效解决了人工检

提示词工程（Prompt Engineering）：设计和优化单次输入给 AI 的文本上下文工程（Context Engineering）：为 AI 设计和构建动态上下文的系统工程你是一个 Python 专家，请帮我写一个函数...系统提示词：你是一个 Python 专家用户输入：请帮我写一个函数...对话历史：[过去 5 轮对话]外部知识：[从代码库检索的相关代码]可用工具：[read_file

经过深入调研和思考，我对 SWE-grep 有了更全面的认识。SWE-grep 不是要替代 grep 或 RAG，而是在速度和智能之间找到了一个新的平衡点。它解决的核心问题是：通过专用模型和并行搜索达到速度与智能的权衡（接近前沿模型的质量 + 快 10 倍的速度）；通过子 Agent 架构实现上下文窗口的经济性（避免中间结果污染主 Agent 的上下文）；把搜索时间从分钟级降低到秒级带来流畅感的用