WIKI 知识库 v1.1.2 正式发布
这个功能有什么作用呢？ 以前调 top_k、相似度阈值、切块长度都要改 conf/config.json 然后再重启服务，要做对比实验就很慢，也容易「改了配置但进程还在用旧值」。KB-20 检索配置（含固定长度分片调整）将该功能做成控制台里的功能： 1.知识库管理 「检索与分片」：直接改 default_k、max_search_results、min_source_...
独立 AI 资讯库
AI 前沿动态、原文归档与媒体镜像
从自动抓取数据库实时读取，适合快速浏览、检索和后续扩展成完整资讯站。
12101资讯
11898正文归档
75882媒体
我为 Anthropic ELI5 增加了 5 项功能，打造出更实用的 ELI5+
作者此前介绍过 Anthropic 内部也在使用的 ELI5 Skill。经过一段时间的实际使用，作者认为它虽然有优点，但也存在难以回避的问题。基于 ELI5，作者进行了多轮改造和迭代，最终沉淀出一套固定方法。该增强版本新增了 5 项内容，并被命名为 ELI5+。
LangGraph Human-in-the-loop：Interrupt 如何让 Agent 等待人工确认
本文主题是 LangGraph 中的 Human-in-the-loop（人在回路）机制，重点介绍 Interrupt 如何让 Agent 在流程中暂停并等待人工确认。原摘要提到，文章建立在 Graph 组织 Agent 流程、State 在节点间流转、Conditional Edge 动态选择路径以及 Checkpointer 保存 State 等基础概念之上。由于提供的正文仅包含“Please wait...”，未包含可供翻译的完整技术内容、示例或数据。
LangGraph Memory：为什么 Agent 需要 Checkpointer？
原文内容仅包含“Please wait...”提示，未提供关于 LangGraph Memory 或 Checkpointer 的正文信息、数据、示例或结论。因缺少可供翻译和整理的主体内容，无法进一步说明 Checkpointer 对 Agent 开发者或行业的具体意义。待原始页面加载完成并提供完整 Markdown 后，可按原文结构进行完整中文翻译。
Grok Bot 从 0 到 1｜用云电脑和插件，搭一个能干活的 X 助手
Grok 也有自己的 Agent 产品了。 这次 xAI 给 Bot 配了一台持续运行的云电脑。它可以打开浏览器、使用终端、登录网站，再通过插件接入 X 等外部服务。你离开以后，任务还可以继续跑。 如
长会话不崩盘：DeepSeek Harness 的上下文压缩与目标管理策略
第15章：上下文压缩与目标管理——长会话的生存策略 agent 跑久了，会话日志越来越长。10 万 token 的上下文窗口很快被工具输出塞满——bash 命令的 stdout、文件内容、搜索结果。模
LangGraph 条件路由与循环：如何让 Agent 自己决定下一步？
本文聚焦 LangGraph 中的条件路由（Conditional Edge）与循环机制，讨论如何让 Agent 根据当前 State 自主决定后续步骤。此前的内容已介绍 Graph 的基本概念、State 的流转方式，以及 Node 如何更新 State。固定流程难以满足真实 Agent 的需求，而条件边与循环是构建动态决策工作流的关键能力。
《LangGraph 状态管理：State、Node 和 Reducer 到底是什么？》
这一篇只解决一个问题： 不要先背 API，先理解它的运行模型。 1. 为什么 Agent 需要 State？ 普通函数： 数据通过参数传递： 但是 Agent 工作流： 中间会产生大量数据： 例如：
《LangGraph 入门：为什么 Agent 需要 Graph 工作流？》
核心问题： 1. Agent 为什么越来越复杂？ 先回顾普通 Agent： 简单任务没问题。 例如： 流程： 但是实际 Agent： 比如： 可能需要： 这已经不是一次 Tool 调用了。 它变成：
一天一个开源项目（第216篇）：OpenViking - 给 AI Agent 装上可自进化的上下文数据库
OpenViking 是火山引擎开源的 AI Agent 上下文数据库，用虚拟文件系统统一管理 Agent 记忆、知识 RAG 和技能，让 Agent 在跨会话中积累经验、自主进化
DeepSeek Harness 系列（05）：Session 与记忆——对话历史是怎么活下来的
Agent 崩溃了怎么办？换一个进程历史还在不在？想从某一步回头重试可以吗？这篇文章拆解 dsh Session 的设计：追加日志、派生历史、格式版本、Fork 机制
从codex转战workbuddy使用一周的感受
不是恰饭，也不是踩一捧一。只是记录一个 Codex 老用户切换到 WorkBuddy 的真实一周，以及过程中踩到的坑和省下的钱。 一、为什么换：被逼无奈的"搬家" 很早就听说腾讯出了智能体编程工具 W
Anthropic CEO突然喊踩刹车，OpenAI罕见力挺：AI这辆车不能只踩油门了
Anthropic CEO Dario Amodei发布长文呼吁放慢前沿AI发展节奏，提出三步限速计划并率先推行第三方嵌入式评估机制。他警告递归式自我改进正加速技术迭代，6至12个月内智能体群体或具备
Kafka 已正式接入 AI
文章以前言形式提出一个 Multi-Agent 协作系统的通信问题：调研、写作和审核三个 Agent 在协作时，Agent 之间的调用关系可能变得混乱。原摘要提到，A Agent 调用 B Agent 后会引发后续流程问题，但提供的内容在此处截断。原文正文仅显示“Please wait...”，未提供关于 Kafka 接入 AI 的具体技术方案、数据或结论。
一文搞懂 LangGraph 分支、循环与状态持久化
本文系统讲解 LangGraph 的条件分支、循环重试、状态持久化，以及基于 interrupt 的中断与恢复机制。`addConditionalEdges` 既可用于运行时路由，也可通过回指节点实现重试循环；`checkpointer` 与 `thread_id` 则为多轮会话和用户隔离提供状态支持。文章通过 MemorySaver、SqliteSaver、Command 等示例说明，开发者可将普通工作流升级为支持断点续传和人工审批的有状态 Agent 流程。对生产环境而言，内存级 MemorySaver 适合调试，数据库型 Checkpointer 更适合持久化与可审计场景。
RAG 检索增强生成：文档加载与解析
本文基于 Spring AI 技术栈介绍 RAG 场景中的文档加载与解析流程。内容区分了电子文档与扫描文档，并覆盖本地及云端 OCR 解析组件的使用。文章还涉及自动分流解析的工程实现、相关依赖配置及常见踩坑要点，对构建 RAG 文档处理管线具有参考价值。
拒绝 AI 代码“暗度陈仓”：工程级 AI 编码边界与防护规则设计
所提供的原文 Markdown 仅包含“Please wait...”加载提示，未提供可供翻译或整理的正文内容。原摘要提及 AI Coding 中的“范围蠕变（Scope Creep）”风险，以及 Cursor Composer、Claude Code、Windsurf 等具备自主执行能力的工具。由于缺少完整原文，无法确认具体的工程边界、防护规则、数据或结论。
我把 Cloudflare 开源了
把整个 Cloudflare Workers 平台装进一个 Rust 二进制：零依赖、极低内存、一键安装，你的原有项目无需改一行代码。Agent 时代，我重新发明一次 Private Cloud。
AI 编程工具链碎片化？基于多端兼容的统一 Agent Rules 架构实践
引言：AI 辅助编码进入“工具碎片化时代” 过去一年，AI 编程工具经历了剧烈洗牌： 有人沉迷 Cursor 的 Tab 补全与 Composer 带来的多文件编辑； 有人被 Anthropic 的终
Claude Fable 5 提示词泄漏，抓紧学习下
这一代 Claude 是 Claude Fable 5，Anthropic 新的 Claude 5 家族的首个模型，也是能力级别高于 Claude Opus 的全新 Mythos 级模型层级的一部分。
MateClaw 1.8.0 发布: 打通写材料场景，可以直接写公众号和小红书
MateClaw 是一个用 Java + Vue 3 写的个人 AI 操作系统,基于 Spring AI Alibaba,把 Agent 编排(ReAct + Plan-and-Execute 的 StateGraph 运行时)、LLM Wiki 知识引擎、记忆生命周期、工具/技能/MCP/ACP 运行时、审批与审计、以及多渠道接入(Web、钉钉、飞书、企业微信、Telegram、Discord、Slack…)装进一个 Spring Boo...
从 Git 贡献记录到人设画像报告：AI Stats Agent 的一次全栈实践
录一次把开发者统计卡片升级成 AI 画像工坊的实践：从 github-readme-stats 的卡片服务出发，延伸到 GitHub/CNB 数据源、AI 画像、三段式辣评、独立分享页和只读缓存回放。
Computer Use 适合做什么，不适合做什么——一次真实使用后的思考
最近 AI Agent 圈最热的能力之一就是 Computer Use：让 AI 像人一样"看屏幕、动鼠标、敲键盘"，直接操作你电脑上的图形软件。听起来像是终极形态——什么都能点，那是不是什么都该让它
为什么 Agent 越聊越慢？聊聊 Context（上下文）管理
如果你经常使用 Agent，应该遇到过这种情况。 同一个模型，刚开始回答很快，思路也很清晰；但随着对话变的越来越长，它开始回复的很慢，可能会忘记前面讨论过的，有时候可能还会理解错需求。 很多
面向 Qwen 系列模型线性注意力的高性能优化实践｜AICon深圳
点击查看原文>
腾讯 WorkBuddy 入门指南：更适合国人体质的 Codex，真的能替我干活
它不是阿拉丁神灯，也不想替代你、接管你的全部工作，而是在你的电脑里，和你一起把问题拆开、确认、推进，做一个愿意打下手、能陪你一起干活的「搭子」。#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。
AgentGate：一行命令给你的 AI Agent 加上企业级弹性层
AgentGate：一行命令给你的 AI Agent 加上企业级弹性层 上个月我的 Agent 挂了四次。一次 Brave Search 429，一次 Resend 500，两次 httpbin 超时
Agent 结构化输出 —— 让 LLM 返回可校验的 JSON，而非自由文本
前几篇文章的 Agent 输出是自由文本，下游系统只能用正则解析，脆弱且不可靠。本文拆解 Structure.py 的 ~140 行实现：把输出也变成一个 Tool，LLM 调用 final_outp
AI 编程 30 天实验复盘：效率提升 65%，线上 bug 涨到 11 个，问题出在哪
十年 Java 程序员，从去年开始用 AI 写代码，Claude Code 为主，偶尔 Codex 打杂。用了一段时间之后，我想知道它到底能带来多少收益，也想知道代价是什么。于是做了一次严格对照实验。
给 Django Admin 加审批流：一行前端代码没写，298 行接上工作流引擎
Django 的 admin 自带列表页与批量动作，把引擎的表映射过去，审批界面就白送了：298 行 Python、零前端，贴一段流程 JSON 点发布，换三个账号看单子按金额分流。