WRITING

把经验变成可以复用的东西。

技术文章是能力证明,也是持续积累的知识资产。

文章索引

31 篇文章

分类
标签
Agent 面试题 · 3 min生产化与系统设计:可靠性、安全、评估与成本Agent 的不可靠是四重叠加的结果,超时不等于失败所以不能盲目重试;评估不能只看准确率,要拆成分层指标做归因。附幂等键、风险分级 HITL、分层指标、成本归因与三类注入防御的完整工程方案。# AI Agent# 面试# 系统设计# 可靠性Agent 面试题 · 3 min复杂架构的取舍:Agentic RAG、LLM Wiki 与 Multi-Agent这一篇考的是反潮流判断力:多数场景不该拆多 Agent。拆分的唯一正当理由是上下文隔离与职责收敛,不是「人多力量大」。同时讲透 Agentic RAG 的收敛判据、LLM Wiki 与 RAG 的成本结构差异。# AI Agent# 面试# Multi-Agent# RAGAgent 面试题 · 5 minRAG:Embedding、Chunk 与检索增强RAG 的本质是「参数化记忆 vs 非参数化记忆」的分工,不是「检索一下塞进 prompt」。本篇讲透 Embedding 双塔与非对称检索、Chunk 的核心矛盾与四种切分、简单 Top-K 的三个病灶,以及 Hybrid / RRF / Reranker / Query Rewrite 的归因顺序。# AI Agent# 面试# RAG# EmbeddingAgent 面试题 · 5 minHarness:Agent 运行时架构模型决定上限,Harness 决定下限 —— 生产系统要的是下限。这一篇把运行时拆成六件套,并论证为什么关键约束只能由代码强制。# AI Agent# 面试# Harness# 运行时Agent 面试题 · 5 minPlanning、Reflection 与状态管理计划的敌人不是「不够聪明」,而是「留不住」——长任务的计划必须外化到状态里,而不是留在上下文中。Q2 的错答案是「重新执行」。# AI Agent# 面试# Planning# 状态管理Agent 面试题 · 5 minAgent Loop 与 ReAct:循环怎么转、怎么停Agent 就是一个 while 循环:组装上下文 → 模型决策 → 执行工具 → 观察回灌 → 判停。这一篇把六步拆开,讲透终止条件的三重保障与绕圈检测的工程做法。# AI Agent# 面试# ReAct# Agent LoopAgent 面试题 · 5 min记忆系统(Memory):从对话历史到记忆资产对话历史是载体,记忆资产才是目标。四问判定该不该写、五类关系处理冲突、四种手段防止无限增长。# AI Agent# 面试# 记忆系统# MemoryAgent 面试题 · 10 min上下文工程与压缩:Agent 的稀缺资源把上下文当预算来管:分区配额、优先级裁剪、前缀稳定性。压缩的四种手段按「信息去哪了」分类——截断、摘要、外部化、子 Agent 隔离。# AI Agent# 面试# 上下文工程# 上下文压缩Agent 面试题 · 4 minMCP 与工具生态治理MCP 解决工具能力如何被发现、描述和接入,Function Calling 解决模型如何表达调用意图。两者位于不同层,生产难点在权限、审计、版本、限流和错误语义。# AI Agent# 面试# MCP# Tool UseAgent 面试题 · 5 minFunction Calling 与工具设计模型根据用户目标、上下文与 Tool Schema 输出结构化调用意图;宿主运行时负责候选工具筛选、校验、鉴权、执行和结果回灌。# AI Agent# 面试# Function Calling# Tool UseAgent 面试题 · 6 min什么是 AI Agent:定义、判据与组件从面试角度理解 AI Agent:明确 Agent 的定义边界,区分 Chatbot、Workflow 与 Agent,梳理核心组件和运行时控制,并讨论 Agent 的适用场景、可靠性与工程取舍。# AI Agent# 面试# Workflow# Agent RuntimeAgent 面试题 · 4 minLLM 基础与模型边界:Transformer、Token 与幻觉从面试角度快速理解 LLM 的几个核心概念:Attention、Transformer、Token、Context Window 和幻觉,以及这些概念对 Agent 开发意味着什么。# AI Agent# 面试# LLM# TransformerAI Native · 7 min让 Jev 替你刷信息流:三源新闻日报的实现拿真 Jev API key 搭一个每天跑的新闻日报:HN 热榜、GitHub Trending、Agent Skills 三源,90 条进、Top 5 出。完整代码带源码行号拆解、判断层的原始请求响应、和不用判断层路线的对比,代码开源。# Jev# AI Native# AgentAI Native · 4 min一个围棋小程序里的七个 Agent:场景、提示词和结构化输出的门道对话、对阵表解析、升段名单、图片 OCR、规程提取、一键建赛、历史压缩——弈CO 里每个 Agent 干什么、提示词怎么写、JSON 输出怎么限定、防破限怎么做,全部对着代码讲。# Agent# 提示词# AI Native# 结构化输出Agent 企业集成 · 1 min资源即工具:把 ERP API 变成 Agent 的原生能力资源即工具,看似只是格式转换,实际上给了企业一致性、可扩展、可治理三个承诺。本期拆解一个 ERP API 如何变成大模型协议里的 function tool。# Connector# function calling# Agent# 工具调用AI Native · 2 min什么是 AI Native 系统,怎么做一个 AI Native 系统从「给旧系统贴 AI 补丁」到「围绕模型能力重建系统」:AI Native 的判断标准、五个架构特征与一条可落地的构建路径。# AI Native# Agent# 系统架构# LLMAI Native · 3 min什么是 AI Native 公司(ANC):从「用了 AI」到「长成 AI」AI Native 公司不是「买了几套 AI 工具的公司」,而是把 AI 写进组织 DNA:定义产品、重构流程、重分决策权。本文给出 ANC 的判断标准、五个特征、成熟度模型与一条从「+AI」到「AI×」的转型路径,并附上我已落地的应用场景。# AI Native# ANC# AI Native 公司# 组织架构# 人机协同# 数字员工# AgentAgent 企业集成 · 1 min安全与治理:权限、加密与审计企业评估「能不能让 Agent 接 ERP」时,功能列表排在第二位——第一位永远是:凭证放哪?谁能用?能看到多大范围的数据?出了事能不能查?# Connector# 安全治理# 权限收敛# 审计Agent 企业集成 · 1 min六表领域模型:一条从配置到授权的抽象链路要同时解决协议、权限、语义、审计四道坎,靠的不是写更多代码,而是一组正确的领域抽象。本期讲清「类型 / 实例 / 资源 / 角色 / 技能 / 授权」这六个概念是怎么切出来的。# Connector# 领域模型# 权限设计# AgentAgent 企业集成 · 1 min为什么企业需要 ERP Connector大模型很聪明,但在企业内网里「断网」了。接 ERP 难在协议、权限、语义、审计四道坎——这一期讲清我们为什么做 Connector,以及怎样用一条声明式管线绕开它们。# Connector# ERP# Agent# 企业集成项目管理 · 1 min技术负责人如何先把问题定义清楚项目推进困难时,往往不是执行不够快,而是每个人理解的问题并不相同。Agent 记忆 · 13 min提示词工程:三层记忆的 Prompt 设置与工具约束前七期讲了「每层做什么、怎么调度」,本期钻进最内核的一层:驱动 L1 / L2 / L3 的 Prompt 到底长什么样、每一段为什么这么写,以及系统究竟如何让 LLM 知道「该调什么工具、按什么格式、吐出什么内容」。# Prompt 工程# 工具调用# 输出协议# LLM 容错Agent 记忆 · 4 min异步提炼管线与整体系统架构终期拆解"幕后":L1→L3 的提炼为什么必须异步,任务如何被调度与容错,以及 MemoryCore / Knowledge / Proxy / Panel 四模块如何协作。# 异步管线# 系统架构# 任务调度# 容错Agent 记忆 · 3 min召回与注入:记忆如何进入 Agent 上下文本期拆解"读路径":每次 LLM 请求发生时,L1/L2/L3 如何被召回、截断、并注入到提示词的不同位置。# 召回# 上下文注入# BM25# 向量检索Agent 记忆 · 2 minL3 长期画像:Persona 的生成与维护本期拆解金字塔尖:L3 如何从场景档案里提炼出"这个用户/团队是谁"的稳定画像,以及它为什么是四层里唯一"无条件注入"的一层。# L3# 长期画像# PersonaAgent 记忆 · 2 minL2 场景记忆:LLM 沙箱 Agent 维护的场景档案本期拆解 L2:记忆卡片如何按情境归档成 .md 场景文件,以及为什么"让 LLM 当 Agent 改文件"比"让 LLM 生成文本"更可靠。# L2# 场景记忆# 沙箱 AgentAgent 记忆 · 3 minL1 原子记忆:单次 LLM 的结构化抽取与去重本期拆解 L1:L0 的流水账如何变成一张张"记忆卡片",以及系统如何用两次 LLM 调用完成抽取与冲突消解。# L1# 原子记忆# LLM 抽取# 冲突消解Agent 记忆 · 2 minL0 原始对话:忠实记录与增量捕获本期拆解最底层:L0 是怎么把对话原样记下来的,以及它如何解决"重复记录"和"记录污染"两个工程问题。# L0# 原始对话# 增量捕获# Agent MemoryAgent 记忆 · 2 min记忆金字塔:为什么 Agent 需要四层记忆本期回答一个根本问题:既然记忆就是一堆事实,为什么不直接存成一个列表?# Agent Memory# 记忆分层# TencentDB Agent Memory工作方法 · 1 min复盘如何成为下一次交付的依据复盘的价值不在于复述过程,而在于为下一次决策留下更可靠的依据。团队协作 · 1 min跨团队协作时,怎样降低沟通成本让信息主动流动,并为关键决策留下明确的上下文。