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。
并行多智能体系统的协调测试实战：从轨迹捕获到CI/CD的六个步骤
传统软件里bug 是逻辑错误。代码做了不该做的事；并行智能体系统里的 bug 往往以另一种形态出现：协调漂移。
长上下文"记忆"的舒适陷阱：为什么更多记忆不等于更可靠
人们喜欢长上下文，智能体记得你的项目、你的偏好、你说话的方式，连你那些反复冒出来的琐碎任务都帮你记着，所以用起来当然顺手。但顺手归顺手，顺手不等于靠谱，把这两件事搞混后面的麻烦就来了。
LangGraph 入门：用图结构构建你的第一个多智能体工作流
LangGraph 里每个工作流都是一个 StateGraph——本质上是有向图。节点就是智能体，或者说处理状态的函数；边是智能体之间的转换；状态则是在整个图中流动的共享数据结构。
让 AI 智能体学会自我进化：Agent Lightning 实战入门
本文将介绍 Agent Lightning 的核心架构和使用方法，并通过一个开源的"自修复 SQL 智能体"项目演示完整的训练流程。
Claude Code子代理实战：10个即用模板分享
简单的说子代理就是给AI指定一个专门的角色。
用 PydanticAI 让 LLM 输出变成可信赖的 Python 对象
本文会介绍 PydanticAI 的核心概念，解释为什么类型化响应对 agent 系统如此重要并给出与 CrewAI 集成的实际代码示例。
Agentic Memory 实践：用 agents.md 实现 LLM 持续学习
本文会概述如何通过持续更新 agents.md 文件来实现 LLM 的持续学习。
深度研究Agent架构解析：4种Agent架构介绍及实用Prompt模板
这篇文章将整理这些架构并顺便附上一些实用的prompt模板。
Lux 上手指南：让 AI 直接操作你的电脑
**Lux** 要是一个专门用于计算机操作的基础模型。
Pydantic-DeepAgents：基于 Pydantic-AI 的轻量级生产级 Agent 框架
有时候严格的类型安全加上一个干净的 Docker 容器，远比一张错综复杂的有向无环图（DAG）要好维护得多。
CrewAI 上手攻略：多 Agent 自动化处理复杂任务，让 AI 像员工一样分工协作
CrewAI是一个可以专门用来编排**自主 AI 智能体（Autonomous AI Agents）** 的Python 框架
AI智能体落地：Agent-Assist vs 全自动化完整决策指南
这些智能体该完全自主运行，还是应该保持人类在关键决策环节？
AutoGen框架入门:5个核心概念搭建智能体协作系统
AutoGen 通过创建多个专门化智能体，为每个智能体设定自己的角色、目标，来达到上面说的聊天能力，并且还能通过配置工具来获得代码执行能力。智能体之间通过消息机制通信，互相配合完成任务。
LangGraph 记忆系统实战：反馈循环 + 动态 Prompt 让 AI 持续学习
本文会探讨生产级 AI 系统如何使用 LangGraph 管理长期记忆流。LangGraph 是一个构建可扩展、上下文感知 AI 工作流的主流框架。
- 1
- 2
