10 个 AI 工程师必须掌握的 LangChain & LangGraph 概念
但是应用需要检索文档、调用工具、处理故障、路由请求、记住历史操作，还要在关键决策节点引入人工审核。这时这个聊天机器人已经变成了一套工作流。
AI Agent的三重记忆机制：打造高可用的多维记忆系统
本文是一份实用指南，帮助你选择合适的记忆层。
2026 年开源 Agent 工具包选型指南：延迟、审计、可移植性与语言栈
2026 年用于构建 agent 的开源工具包已经已经得到了巨大的发展，所以本篇文章将从以下角度来帮助你如何选择最适合你的工具：延迟预算、审计追踪、模型可移植性、还是语言栈。
lat.md：将任意项目代码转换为可查询的知识图谱
lat.md让我们不再停留在“搜索”信息，而是面向一张组织有序、经过校验的项目地图。把笔记直接挂到代码上，再让它们的一致性接受自动校验，AI 工具因此变得更聪明、更可靠。
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。
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。
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
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。
2026年的 ReAct Agent架构解析：原生 Tool Calling 与 LangGraph 状态机
本文要做的是一个 Research Brief Agent：会上网搜索、抓取真实 URL、压缩证据，最终产出一份带真实引用的结构化简报。
instinct：一个基于置信度的 AI Agent 自学习记忆系统
记忆应当是 Agent 在反复实践中习得的，而非人工分配的。
多 Agent 验证架构实战：从输出评分到过程验证
正确构建验证层需要理解四种不同的架构模式、各自的失效边界，以及一个被多数团队忽视的规律。
信息访问 vs. 推理能力：LLM Agent 性能归因的实验分析
LLM agent 看起来越来越智能了。但实际上它们可能只是拿到了更多信息。
理解 Agent 记忆：从无状态模型到持久化记忆架构
Agent 记忆并非单一概念，它是一个四层体系，各层服务于不同目的。
多智能体系统的三种编排模式：Supervisor、Pipeline 与 Swarm
当单个智能体确实力的确无法解决，任务需要多种能力、独立验证或动态路由，精心编排的智能体团队是目前见过的最可靠的解法。
LangGraph vs Semantic Kernel：状态图与内核插件的两条技术路线对比
本文依据 LangGraph 官方文档、Semantic Kernel 官方文档以及两个框架的变更日志写成。
