四种无向量RAG 方案实测:BM25、GraphRAG、Tree Search、Agent
四种方法都查这一份数据集，但每种方法分别使用刻意挑选、能发挥其长处的查询。得到的结果是：没有任何一种方法是通用的。
Agentic 设计模式拆解：6 种结构的优缺点与应用场景
所以这篇文章总结一些常见的设计模式，这些模式归纳了在大量已验证实现中反复出现的共性，可以视为一组结构化的骨架，用来理解智能体（Agent）、用户、模型和工具之间的核心交互。
从零搭建 Harness Engineering 框架 ：Rule、Skill、Sub-Agent等工程落完整路径
Harness 这个词听起来宽泛而且像一种抽象的方法论。如果它没法落到具体的目录结构、文档、脚本和工作流上，那就只是一句漂亮口号。
推理 → 行动 → 观察：用 LangChain + Python 实现一个智能体循环
下面这篇介绍会说明它是什么、如何工作，以及如何把它实现出来。
TraceML：用三行代码为训练循环加入 step 级诊断
TraceML 是开源的目前支持单 GPU 以及单节点 DDP/FSDP；多节点支持很快会推出。
告别脆弱的单体应用，用多智能体网络构建稳定的生产力工具
本文深度解析了 AI 应用从单体大模型向多智能体（Multi-Agent）架构演进的技术趋势与工程实践。面对复杂业务，多智能体系统凭借角色分工与优雅降级展现出极强的泛化性
2026 年面向 LLM 的 RL方法总结：从 PPO 到 DPO 到 GRPO，再到多智能体 RL
本文是对当前格局的一次梳理。会用一点篇幅讲历史，更多篇幅留给 PPO、DPO、GRPO 和 MARL——它们是什么、各自适合什么场景、实际中会在哪里坏掉，以及今天的开源技术栈大概长什么样。
构建一个可自我改进的多 Agent RAG 系统：架构、评估，以及带人工审核的 Prompt 反馈闭环
本文描述的系统包含一个自我改进的评估闭环：自动定位表现不佳的 Prompt 维度，给出有针对性的改写方案，并通过一道由量化回归检测把关的人工审批步骤来决定是否上线。
Agent = Model + Harness：模型决定上限Harness 决定下限
Harness 不是一块单一的基础设施而是一层一层叠起来的能力栈。
HyDE ：让 RAG 检索从"匹配关键词"升级到"理解意图"
**Hypothetical Document Embeddings（HyDE）** 不是"搜索文档"，而是让系统在检索开始之前，先想清楚理想答案应该长什么样。
让机器学习 Pipeline 更稳的 5 个 Python 装饰器代码
下面介绍 5 个适合现代 AI 开发流程的 Python 装饰器。
Feature Engineering 实战：Pandas + Scikit-learn的机器学习特征工程的完整代码示例
Feature engineering 是机器学习 pipeline 里最关键的一环。
2026 RAG 选型指南：Vector、Graph、Vectorless 该怎么挑
这篇文章将介绍它们之间的差异，让你不必花三周读论文也能为自己的系统做出正确选择。
三个工具，让 agent 在一次对话里完成研究、写码、调试与保存
其实只要有三个工具就能把 agent 从聊天机器人变成能干活的东西
用 Playwright 和 LLM 实现自愈测试自动化
Playwright 是一个用于 Web 自动化和端到端测试的开源框架。
为什么 MCP 在协议层会有 prompt injection的问题：工具描述如何劫持 agent 上下文
MCP（Model Context Protocol）当初被设计成 AI agent 的通用集成层，但它的架构有一个根本缺陷：
BM25 + Vectors：为什么真实 RAG 系统通常两者都需要
RAG 是一个先选内容再做生成的系统；retriever 不搜索文档，它搜索 chunks。
从无状态到有状态：长时运行 Agent 的 5 种架构模式
生产级 AI 不是单轮里把 agent 调得多聪明，而是看它能否在很多轮、很多天、很多次交接之间保持可靠。
LangChain 生态里的三层抽象:LangGraph、create_agent、Deep Agents
把它们看作不同抽象层级的工具更容易理解。LangGraph 在最底层,所有控制都掌握在开发者手里;
DeepSeek-V4 深度解读：百万上下文背后的工程细节
本文围绕三个问题：长上下文效率到底怎么破（架构）；万亿 MoE 怎么稳定训练（基础设施 + trick）；十几个领域专家如何合并成一个模型（后训练）。
