从碎片检索到深度推理：如何重塑 AI Agent 的知识引擎
如果现在对于AI Agent 的知识引擎或者知识库的认知还停留在在「向量库 + embedding + topK 检索」的人，项目大概率正在踩坑。 传统 RAG 解决的是「能不能把资料塞给模型」的问题，而知识引擎要解决的是「模型能不能沿着知识结构走到正确答案」的问题。 这两个层级差得很远。前者偏检索，后者开始接近推理。Agent 一旦进入企业场景，尤其是要处…
CODE, ARCHITECTURE & AI
最新文章.
记录工程实践，也探索 AI 时代软件与人的新可能。
聊聊 Harness：从 Agent 到组织
我们在落地 Agent 时面临的核心矛盾，是大模型的概率生成机制与工程系统所需的绝对确定性存在天然冲突。要获取大规模、可维护且值得信赖的代码，必须在系统外围构建 Harness。 Harness 的本质是将不确定性转化为确定性。 提高信任度和可靠性需要极度压缩 Agent 的解决方案空间。我们必须放弃让模型「生成任何内容」的灵活性，转而采用包含大量技术细节的…
自进化 Agent 实现的 4 个层面
如果 AI 能像人一样，随着时间，经验，反馈不断学习，会发生什么？ 我们现在常用的 Agent，不管是豆包，还是编程用的 Cursor，本质是还是一次性对话工程，你问一句，它答一句，或者执行完一堆任务，任务结束后不会成长。 如果能成长呢？这将会是不一样的世界。 这也是今年硅谷比较热门的方向。 为什么是这个方向： 人性，人天生懒惰，公司逐利 成本，自动化的 A…
AI Coding 时代如何有效度量研发效能
在 AI Coding 时代，当我们说提升效能 50%，从老板的角度，那应该要干掉 50% 的人。 但又不能真这么干，这是一个简单的财务逻辑，也是一种本能的反应。 但研发又不是完全标准化的流水线。AI 在各环节都有提速，但对于需求理解的一致性，线上兜底，发布治理这些环节没法完全同步提速。 人是可以砍，但最终系统脆弱性、技术债务和交付风险一起放大。 以 AWS…
对最近 AI 落地工程实践的一些想法和思考
最近和小区某上市公司的 CFO 喝茶聊 AI，在过程中思维和实际场景的碰撞，记录如下： 穿透复杂的表象，当前 LLM 的底层运行逻辑其实非常单一：它本质上是一个自回归的序列生成器，根据已有的上下文，计算词表中每一个 token 出现的概率分布，然后从中采样出下一个 token。 但这里的「概率」绝非毫无逻辑的随机掷骰子。 这种概率分布，是模型在海量预训练数据…
Claude Code 的 SKILLS 技能渐进式披露实现原理解析
SKILLS 和 渐进式披露 是 A 家最早提出来的方案，也是 OpenClaw 火了后大家一直讨论的哪个技能好用很核心的强依赖的实现逻辑。 如果把 Claude Code 的 skills 理解成一堆 prompt 文件，后面的很多设计都解释不通。 从其源码实现来看，会发现它在解决的核心问题是： 怎么让模型保留足够强的技能召回能力，同时又不把常驻上下文撑爆…
Claude Code 的下一个 AI 范式：KAIROS
在 Claude Code 的代码中，如果只算 KAIROS 出现的次数，其出现了 154 次；如果算上以其为前缀的变量啥的，其出现了 365 次。 KAIROS 是什么？ 简单来说，KAIROS 是 Claude Code 未来的 AI 形态，一个在恰当时机出现的，一直在线的协同工作伙伴。 KAIROS (καιρός) 源自古希腊语，意为「正确的、关键的…
深入 Claude Code 源码了解其记忆系统
最近做 Agent 的同学应该大部分都有研读 Claude Code 泄漏的源码，网上出了各种 AI 加持下的各种解读，教程，细节分析，甚至包括换了一种语言实现的版本，如 Python，Go，Rust 等等。感觉有点「一鲸落，万物生」的感觉。 之前学习了 Claude Code 的系统提示词，写了一篇关于记忆系统的提示词。今天我们再深入其源码，看看其实现的细…