华东师范大学 ICALK 实验室联合上海人工智能实验室的工作 AutoMem，目前挂在 Arxiv 26.07 上，把 LLM Agent 的长期记忆设计重新表述成一个任务自适应的记忆架构搜索问题，本质上就是给每个 task 找一个现有方法的最佳组合 这篇工作可以看成是紧接着 MemEvolve 的 ...

MonkeyCode 是什么：一个浏览器里的 AI 开发平台 很多人第一次听说 MonkeyCode，会以为它又是一个"套壳 ChatGPT 的聊天窗口"。其实它不是聊天机器人，而是一套真正能干活儿的 AI 开发平台。 一句话介绍 MonkeyCode 是一个免费、无需安装的在线 AI 开发平台。你 ...

普通语言模型训练关注“下一段话像不像正确答案”，Agentic-RL 更关心模型在多步环境中能否选择合适动作、使用工具、处理反馈并完成目标。奖励来自整条轨迹，而不只是最后一句话。 先看几种训练方法各自解决什么 SFT 用高质量示范教会基本格式和行为；DPO 利用偏好对让模型倾向更好的回答；PPO 与 ...

LangChain 是目前大模型应用开发领域最主流、最成熟的开源框架之一，广泛应用于私有化部署、智能体开发、工具调用、流式交互等各类场景。本文基于 LangChain 最新稳定版接口，适配本地私有化 GGUF 模型部署环境，拆解框架四大核心基础能力，标准化消息机制、闭环工具调用链路、多场景流式传输、... ...

AI标书审查怎么防大模型幻觉？拆解证据溯源的4道工程防线：无出处不入库、轨迹锚定、逐字比对校验、状态代码派生，让每条审查结论都能定位回原文页码。 ...

工具解决的是“调用一次能力”，Skill 解决的是“复用一套完成任务的方法”。当 Agent 不只需要一个函数，而是需要步骤、资源、判断标准和验证方式时，技能系统就比不断扩充工具列表更合适。 Tool、Skill 和 Sub Agent 的边界 Tool 通常是原子动作，例如读文件、查订单；Skil ...

单次 Demo 能跑，不代表 Agent 可以交给真实用户。模型输出、工具调用、状态恢复、权限控制和人工介入之间，还需要一个稳定的运行外壳，这就是我理解的 Harness Engineering。 Harness 管的是整个运行环境 它通常包括明确的项目指令、上下文策略、工具契约、状态机、结构化输出 ...

微软开源Agent Lightning框架，用真实Harness做强化学习训练，6000条样本把Qwen3.5-9B的SWE-bench从41.8%拉到56.4%，追平GPT-5.5。 ...

一张二手RTX 3090跑通Meta Muse Glimmer 30B，llama.cpp+DFlash+Pi Agent三件套，127 tokens/s，本地Vibe Coding时代到来。 ...

上下文窗口是有限且昂贵的资源。Context Builder 要在每次模型调用前做一次认真取舍：什么必须带上，什么先摘要，什么此刻根本不该出现。 把上下文元素结构化 候选内容可以统一表示为 {kind, content, tokens, priority, source, expires_at, a ...

本文以通义千问Qwen量化GGUF模型为案例，基于Llama.cpp框架展示本地大模型调用与功能开发的完整实现原理及流程。全文采用原生Python编写代码案例，无需依赖重型AI框架，依次实现模型元数据解析、本地接口单次对话调用、多轮对话持久化记忆、自定义工具调用拓展等功能实现逻辑，针对直接调用大模型... ...

Prompt 写得再漂亮，也解决不了上下文被无关聊天、过期资料和冗长工具返回淹没的问题。Agent 复杂到一定程度后，核心能力从“会提问”变成“会供给上下文”。 Prompt 是指令，Context 是工作台 上下文里不仅有用户问题和系统 Prompt，还包括当前目标、任务状态、历史摘要、记忆、工具 ...

Vibe Coding 能快速生成接口原型；用受限智能体收集契约与测试证据，产出可追溯的联调差异单，并保留人工上线判断。 ...

企业文档问答最常被追问的并不是“回答像不像人”，而是“这句话依据哪份文档、哪个版本、我是否有权限看到”。所以它更像一套证据产品，而不是在知识库前面放一个聊天框。 先把索引做成可治理的数据层 文档进入系统时应保留业务域、版本、作者、更新时间、访问控制和原始位置。删除或更新文档后，索引也要同步失效。否则 ...

《末日突围》是一名初一学生在AI编程助手辅助下独立开发的3D第一人称战术射击游戏。游戏基于WebGL技术，以末日废土为背景，玩家在废弃封锁区中抵御僵尸围攻或与AI雇佣兵混战。游戏可在浏览器中直接运行，也可通过Windows桌面程序运行。 ...

很多 RAG 原型把“文档切块、向量检索、拼到 Prompt”当作终点。但真实问答的质量更取决于：检索材料是否相关、是否最新、是否有权限，以及它们能不能真正支持回答。 RAG 是一条信息供应链 文档加载、文本分块、Embedding、向量索引、查询改写、召回、重排序和生成，每一环都会影响最终答案。向 ...

本文讲解基于 LangGraph Server 服务搭建本地离线 AI Agent 的完整部署流程，适配 Windows 开发环境，全程无需调用公有大模型接口，实现纯本地化 AI 推理与工作流编排，帮助开发者快速搭建可调试、可复用的本地私有化 AI Agent 服务，适用于个人开发、本地功能调试、轻... ...

研究助手最容易制造一种“它查了很多网页，所以结论可靠”的错觉。真正有价值的自动化研究，应该把研究问题、来源、证据、推断和最终建议连成一条可以回看的链路。 先写研究协议，再开始搜索 开始前要明确研究对象、时间范围、地域、交付形式、可接受来源以及哪些问题不在范围内。Plan-and-Execute 的价 ...

结论 apim中rest实现的mcp，不需要更新2.0，它是不为2.0取决于客户端和后端服务 apim中mcp实现的mcp-server，需要有版本控制，版本不对，会出现问题 apim中的服务，如果中间走了聚合mcp服务，它返回的mcp版本取决于聚合服务的mcp版本 name: MCP Dual E ...

MCP 2.0（即 2026-07-28 协议修订版）是一次从架构到交互模式的重大升级。它最核心的变化是从“有状态的本地会话”转向了“无状态的分布式协议”，目标是让 MCP 成为 AI Agent 时代的真正基础设施。 下面是 v2.0 引入的核心新方法，以及与 v1.0 的主要变更对比。 M ...