从Naive到Agentic：RAG架构升级的核心路径与实践建议_服务软件

1. 《扣子开发 AI Agent 智能体应用》001-智能体概述

2. 《扣子开发 AI Agent 智能体应用》013-基于大模型的企业知识库（企业知识库必要性）

3. 《扣子开发 AI Agent 智能体应用》014-基于大模型的企业知识库（知识库的理论基础 RAG）

4. DeepSeek-V4终于更新了！一百万超长上下文，Agent能力大幅增强，能力接近Opus 4.6

5. Milvus 向量数据库实战：从零构建高性能 RAG 系统

6. 「Memory as a Context」是否将重新定义 Transformer 的「记忆模式」？

7. 《REFRAG: Rethinking RAG based Decoding》Meta最新发布的REFRAG技术，彻底解决了检索增强生成模型（RAG）最大的瓶颈：解码效率低下。相比传统RAG，REFRAG实现了30倍更快的首词生成速度，同时保持零准确率损失。问题核心在于：RAG在输入大量检索段落时，实际只有5-10段内容对生成有用，剩余多数成为计算负担，但模型仍对所有段落进行全面注意力计算，导致时间和内存资源巨大浪费。传统RAG用16K上下文时，首次输出延迟超过100秒，吞吐量下降10倍，内存消耗爆表。REFRAG通过将上下文块压缩成单一嵌入向量，避免了对全部16,384个token的逐一处理，仅需处理约1,024个压缩块嵌入，极大减少计算量。成果显著：- 首词生成速度提升30.85倍- 语义困惑度（perplexity）无损失- 上下文容量扩展16倍（4K token → 64K token）- 性能超越前沿技术3.75倍为何行得通？因为RAG的注意力模式稀疏，大多数检索段落间无交互。REFRAG通过以下三点巧妙利用这一点：1. 预计算并缓存嵌入，推理时重复使用2. 基于强化学习的压缩策略，智能决定哪些块需展开3. 不受位置限制，任意位置均可压缩实际应用优势：- 仅8段文本的延迟即可达到单段处理速度- 在检索器性能较弱时，依然提升准确率- 可支持无限长会话历史- 无需修改基础模型架构这项技术改变了RAG的计算经济学：更多上下文、更低延迟，且成本更优。REFRAG不仅是性能优化，更是RAG从“功能”向“基础设施”转型的关键一步。它告诉我们，提升AI系统效率的关键不在于盲目增加计算资源，而是精准减少无效计算，压缩信息冗余，从根本上优化流程。更多细节和论文链接见：arxiv.org/abs/2509.01092这背后，技术创新带来的不仅是速度，更是未来大规模长文本理解与生成的基石。希望更多开发者和研究者能从中得到启发，推动RAG技术应用迈入新阶段。

8. 《扣子开发 AI Agent 智能体应用》031-实战案例：多 Agent 模式开发旅游助手

9. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

10. AI开发常常需要切换多个资源库，查文档学Oracle AI Database、找Notebook实验代理系统、看教程建RAG应用，来回折腾效率低下。Oracle AI Developer Hub 把AI开发所需资源全整合，提供完整的Oracle AI Database + OCI服务开发解决方案。包含完整应用demo、Jupyter Notebook、动手workshop、代理记忆包，甚至企业级AI代理架构指南。GitHub：github.com/oracle-devrel/oracle-ai-developer-hub主要功能：- 完整AI应用demo（/apps），展示端到端RAG代理、金融AI助手、健身追踪器等实战案例；- 丰富Jupyter Notebook（/notebooks），覆盖RAG、多代理CoT、混合搜索、11种认知架构实验；- 动手workshop（/workshops），从信息检索到记忆增强代理的全栈学习路径；- Oracle AI Agent Memory包，支持统一内存核心（对话历史、持久事实、实体状态）；- 详细指南（/guides），企业AI代理大脑/骨架构建、记忆工程学科深度解析；- 多云支持，AWS/Azure/Google Cloud + Oracle AI Database集成样例。支持Jupyter、Python、FastAPI、LangChain等多框架，Codespaces一键环境，适合AI工程师和开发者使用。#OracleAI##AI开发##RAG代理#

11. 3天赚1200刀？纯聊天就能捏出个能搞钱的 AI Agent！【教程】

12. 构建AI Agent常常需要从零开始摸索，LLM调用、工具集成、推理循环、记忆模块、规划反射等功能分散在各种框架和教程中，来回切换学习成本高。新书《Build an AI Agent (From Scratch)》提供完整AI Agent从零构建的实战指南，帮助你一步步打造能推理、规划、执行复杂多步任务的智能代理。不仅教你实现ReAct循环（Thought→Action→Observation）、MCP工具调用、Agentic RAG，还覆盖记忆模块、多代理系统、代码执行代理等核心功能。www.manning.com/books/build-an-ai-agent-from-scratch主要内容：- 实现ReAct推理循环，支持思考-行动-观察闭环；- MCP协议集成工具调用，提升代理工作流效率；- Agentic RAG实现相关知识检索和响应优化；- 构建记忆模块，存储事实、上下文和动态目标；- 代理规划、反思和自我修正机制；- 开发专业代理如代码执行代理；- 设计多代理协作系统。全Python实现，标准笔记本电脑即可运行，适合AI开发者与从业者。MEAP已100%章节可用，附GitHub源码。#AI-Agent##大语言模型##人工智能#

13. 《Making Sense of Memory in AI Agents》AI代理记忆的最大难题，不是教它们“记住”，而是教它们“忘记”。核心挑战是：大语言模型（LLM）天生无状态，每次对话都是全新开始，既不记得五分钟前说了什么，也不记得上周的内容。那么，如何让代理“记住”呢？记忆类型分两大类：• 短期记忆：LLM上下文窗口里的当前对话信息• 长期记忆：外部存储的历史对话、用户偏好、学习事实等不同框架对记忆分类也不尽相同：CoALA（类人认知架构）：- 工作记忆（当前对话）- 语义记忆（用户事实）- 情景记忆（过去经历）- 程序记忆（指令和行为）Letta（架构导向）：- 消息缓冲（最近消息）- 核心记忆（主动管理的上下文块）- 回忆记忆（对话历史）- 档案记忆（显式存储的知识）最难的部分是忘记。如何自动判断哪些信息过时了？哪些依然相关？这正是大多数实现的难点。Leonie的文章不仅讲清了各种记忆类型，还分享了实践中如何管理记忆（生成、存储、检索、更新、删除），并介绍了mem0、Letta、zep等新兴记忆框架。社区专家提到：- 让代理自己判断哪些记忆该删，比用复杂的衰减机制更靠谱。- 记忆管理不能只是简单的“先进先出”，需要智能逻辑。- 忘记不仅是存储问题，更是时间、情境和价值判断问题。- 合规需求（如“被遗忘权”）让删除机制变得更复杂。总结：AI代理记忆设计的核心，是如何在短期上下文与长期外存之间高效流转信息，同时智能决策何时更新、合并或删除信息。忘记难题不仅关乎技术，更关乎对时间和情境的理解以及用户隐私的尊重。文章：leoniemonigatti.com/blog/memory-in-ai-agents.html

14. AI Agent开发常常需要管理海量对话历史，传统RAG或知识图谱难以实现真正学习，记忆准确率低、长期遗忘严重。Hindsight™ 提供革命性的Agent记忆系统，让AI Agent真正"学会"而非仅"记住"。不仅在LongMemEval基准测试中创下最优性能，还支持世界事实、个人经历、心理模型构建，已被Fortune 500企业投入生产。GitHub：github.com/vectorize-io/hindsight主要功能：- 记忆保留（Retain）：自动提取实体、关系、时序数据构建知识库；- 智能回忆（Recall）：语义+关键词+图谱+时序四路并行检索；- 深度反思（Reflect）：基于记忆生成洞察和决策建议；- 多用户记忆隔离：支持按用户/会话隔离记忆管理；- 生物仿生架构：模拟人类记忆机制（世界事实+经历+心理模型）；- 一行代码集成：LLM Wrapper自动为现有Agent添加记忆能力。支持Docker一键部署、Python/Node.js客户端、嵌入式模式，兼容OpenAI/Anthropic等多种LLM提供商。#AIAgent##AgenticAI##人工智能#

15. 大厂P9直言：Java同质化太严重，想突围必须拿下RAG、Agent、微调这三项！“Java+AI”是拿百万年薪的重点方向！

16. Agent 真正的护城河，正在从工具转向记忆资产

17. Agent常见面试题：LLM 是如何学会调用外部 API 或工具的？1 训练数据让模型先“知道工具是怎么用的”在模型具备工具调用能力之前，它必须先在训练数据里看到足够多的工具调用示例。通常包含两类数据：1）真实 API / 工具调用代码或文档，例如：a. “要获取天气，请调用 get_weather(city=...)”b. “要计算数学表达式，请调用 calculator(expression=...)”2）人类标注或模型生成的“对话 + 工具调用”示范，例如：a. 用户问：杭州天气如何？模型示范：调用 tool.get_weather({city:"杭州"})再根据工具返回的结果继续回答。通过这些示例，LLM 学会了：什么问题对应调用什么工具；工具调用的格式是什么；什么时候不该调用工具。2 监督学习（SFT）使模型学会“根据指令选择工具”在 Fine-tuning 阶段加入大量的示例：1）该调用工具的场景2）不该调用工具的场景3）多工具协作场景例如：用户问「告诉我台北到上海的机票价格」。正确示例：a. 模型判断这需要实时信息b. 模型调用 flight_search API模型学习到：当遇到“需要外部信息/计算能力”的问题时，应倾向调用工具。3 通过 RLHF 让模型“偏好正确的工具调用行为”强化学习阶段会奖励：1）正确调用工具2）不乱调用工具3）工具调用后能给出正确结果惩罚：1）不必要的调用2）调用错误的工具3）调用格式不正确这一步让模型不仅会“模仿”，还会“懂得什么时候该调用工具”。4 ReAct / 规划式数据让模型学会 “推理后再决定工具”许多训练数据采用 ReAct 风格：1）模型先思考：要不要调用工具？2）再决定工具调用3）执行后再继续思考与回答这种数据让模型具备：1）任务分解2）长链路推理3）工具调用规划最终效果是：面对复杂任务，模型不会盲调，而是自行形成“推理 → 调用 → 再推理”的结构化流程。5 架构层提供“可调用工具的接口”现代 Agent 框架都会在推理阶段给模型提供一个结构化 schema：1）告诉模型有哪些工具2）告诉模型调用格式3）告诉模型每个字段是什么类型这样模型在生成内容时不需要“猜”，而是严格遵循系统提供的 schema，直接输出可执行的 JSON 或结构化调用指令。例如：1）系统提供工具：search(query: string)2）模型内部只需决定：要不要调用？，以及 query 内容是什么。6 推理时的实际行为：模型并不真的“执行工具”，而是生成结构化调用请求推理时发生的事情是：1）模型生成 JSON 指令，例如：{"tool":"search", "query":"杭州天气"}2）外部系统执行工具并将结果返回3）模型继续根据工具结果生成下一步行动或最终答案模型本身没有执行能力，它只是生成符合 schema 的字符串而已。总结LLM 学会调用外部 API / 工具，是一个“示例训练 + 强化学习 + 架构支撑 + 推理策略”组合的结果：1）先在数据里看到大量工具调用示范2）通过 SFT 学会该如何调用3）通过 RL 学会什么时候应该调用4）通过 ReAct 学会任务分解与步骤规划5）通过 functions/schema 让调用标准化因此模型看起来像真的“理解工具”，但本质是根据统计学习到的模式生成结构化指令。#ai创造营# #程序员#

18. 从“工具过载”到“精准调用”：破解 Agent 工具管理难题

19. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

20. 两个教学项目：1️⃣从零开始构建 AI 智能体github.com/pguso/ai-agents-from-scratch本仓库教你从基本原理开始，使用本地 LLM 和 node-llama-cpp 构建 AI 代理。通过完成这些示例，你将理解：✨LLM 的基本工作原理✨智能体究竟是什么（LLM + 工具 + 模式）✨不同智能体架构的运作方式✨框架为何做出某些设计选择理念：通过构建学习。深入理解后，再明智地使用框架。2️⃣从零开始构建RAGgithub.com/pguso/rag-from-scratch通过一步步构建RAG（检索增强生成）来解密它的原理。没有黑箱。没有云API。只有清晰的解释、简单的示例和你完全理解的本地代码。这个项目遵循与《从零开始构建 AI 智能体》相同的理念：通过简洁、解释清楚的真实代码，使开发者能够理解先进的AI概念。你将学到：✨RAG到底是什么，以及它为何在知识检索中如此强大。✨嵌入（embeddings）如何工作，如何将文本转化为模型能理解的数字。✨如何构建本地向量数据库，高效地存储和查询文档。✨如何连接所有内容，检索上下文并将其输入到大语言模型（LLM）中以获得有依据的答案。✨如何重新排序和规范化，提高检索精度并减少噪声。✨一步步的代码演示，每个函数都有解释，毫不隐瞒。#科技先锋官#

21. 说实话，我认为记忆力是目前持续学习的最大障碍。让我夜不能寐的问题是：我们如何利用记忆避免重蹈覆辙？我们如何教会模型有选择地记忆和遗忘？何时呈现正确的背景信息？人类通过记忆巩固、干扰管理和情境绑定自然而然地做到这一点，然而，我们尚未找到复制这种机制的方法。人类海马系统与当前LLM记忆架构之间的差距揭示了一个根本性的挑战：我们基本上构建了两个极端：要么是将所有信息都硬编码到参数中的模型（刚性模型），要么是使用RAG（随机数生成器）机械地检索信息（模糊模型）。真正的持续学习要求我们破解智能检索的密码；不仅要知道存储什么，还要知道抑制什么、何时强化，以及如何让旧知识优雅地消退而不造成灾难性的干扰。非常喜欢这篇调查，因为它从宏观角度展现了 LLM 和多模态模型中的记忆架构（也很喜欢其中受大脑启发的分类法，很棒！）。我会尽我所能系统地绘制出它的图谱。三部分框架：他们围绕新皮层-海马体-前额叶皮层的类比来构建记忆：内隐记忆/新皮层涵盖了嵌入模型权重中的参数知识，包括记忆编辑技术（如 ROME 和 MEMIT，它们通过精确修改权重来更新事实）、通过 LoRA 等适配器注入知识，以及通过记忆遗忘来删除有害内容。显性记忆/海马体研究外部检索系统；RAG架构、向量数据库、知识图谱。它们详细阐述了如何在不同的粒度（文档、组块、句子、图结构）和优化时间（无训练、联合预训练、SFT等）下组织记忆。智能体记忆/前额皮层探索自主智能体如何维持短期记忆（CoT++）与长期记忆（外部事实数据库、历史轨迹、用户反馈等）。我非常喜欢这个关于记忆的思考框架，但我认为除了分类之外，这项调查最大的贡献在于指出了尚未解决的问题：记忆污染/幻觉、大规模检索的计算负担、何时应该检索信息而不是依赖参数化知识，以及长时间交互过程中记忆一致性的挑战#科技先锋官##ai生活指南##ai创造营#

22. 构建智能问答系统通常面临查询模糊、上下文理解不足和检索效率低等挑战。Agentic RAG for Dummies 是一个基于 LangGraph 的极简 Agentic RAG（检索增强生成）框架，帮助你用最少代码快速搭建具备会话记忆和人机交互查询澄清能力的生产级系统。项目集成了多功能模块： - 会话记忆，保持对话上下文连贯； - 智能查询澄清，自动重写或请求补充信息； - 分层索引，实现精准且上下文丰富的检索； - 多Agent并行处理复杂多问； - 灵活切换多种大语言模型（Ollama、OpenAI、Google Gemini 等）； - 开箱即用的 Gradio Web UI，方便体验和部署。无论是学习 RAG 基础，还是构建定制化应用，这个项目都提供了交互式笔记本和模块化代码两条路径，助力开发者快速上手并轻松扩展。 GitHub 地址：github.com/GiovanniPasq/agentic-rag-for-dummies/ 主要功能： - 支持多轮对话记忆，提升问答自然度； - 自动拆分复杂查询，精准定位信息点； - 结合关键词稀疏向量和语义稠密向量的混合检索； - 内置人机交互机制，避免误解或无效查询； - 多Agent协同，提升复杂问题的处理效率； - 完整文档处理流水线，支持 PDF 转 Markdown 及分块索引。适合 AI 研究者、开发者及数据工程师，轻松构建满足生产需求的智能问答系统。

23. 能否使用RAG技术来解决大模型的长期记忆问题？

24. AI Agent最新重磅综述：迈向高效智能体，记忆、工具学习和规划

25. 电子书 Hermes Agent 从入门到精通地址： github.com/alchaincyf/hermes-agent-orange-book/ Hermes Agent 是 Nous Research 在 2026 年 2 月发布的开源 AI Agent 框架。它和 OpenClaw、Claude Code 走的路线不同：内建了自改进学习循环、三层记忆系统、Skill 自动创建和进化机制。如果你读过《Harness Engineering》橙皮书（本书可以在这里下载 www.huasheng.ai/orange-books/harness/ ），Hermes 是那本书讲的五个组件（指令/约束/反馈/记忆/编排）的第一次产品化实现。 #How I AI#

26. 多模态 RAG 才是企业知识库低效瓶颈的解药？

27. RAG退潮，“文件系统+grep”回归，智能体检索的返璞归真

28. 为AI智能体（Agent）增加「记忆」能力有哪些好用的工具和方案？

29. 掌握AI Agent开发：开发者锁定未来五年价值的硬核竞争力

30. 深度｜Agent Harness：当驯化Agent取代通用代理成为硅谷新共识

31. Deep Agents：LangChain开源的Agent框架，开箱即用的LLM应用方案。核心思想：给你一个开箱即用的Agent，需要定制再加工。Deep Agents基于LangGraph构建，内置了单Agent应用的标配能力：任务规划、文件系统访问、Shell执行、子Agent委托、自动上下文管理。会话长了自动总结，大输出存文件，子Agent有隔离的上下文窗口。启动简单，支持任何能调工具的LLM（OpenAI、Claude、开源模型都行）。需要时加工具、换模型、调提示词。支持MCP。对比其他框架：1.LangGraph：底层编排框架，基于图和状态机。完全可控，支持流式、持久化、断点恢复。缺点是学习曲线陡，小任务过度设计。2. CrewAI：多Agent协作框架，建在LangChain和LangGraph之上。提供Agent、Task、Crew等高级抽象，快速定义多Agent分工。优点是上手快，缺点是多Agent固定模式，非标准行为定制困难。3. AutoGen（Microsoft）：事件驱动，支持conversation-based Agent交互和group chat。v0.4引入强可观测性和异步模型。适合多Agent对话，不适合需要持久化和复杂状态的应用。4. Deep Agents的位置：单Agent框架，高于简单的ReAct（思维链+工具调用），低于多Agent系统。填补了这个缝隙：需要快速上手，但又要求工业级的规划、文件访问、子Agent能力。技术特点：1. Deep Agents采用trust-the-LLM模型——Agent可以做工具允许的任何事，安全边界由工具和沙箱保证。这套思路来自Claude Code，也就是LangChain在把Claude Code的经验系统化。2. 上下文管理做得细致：会话自动总结、大输出转文件、子Agent隔离上下文窗口。处理长期运行任务（爬虫、研究、报告生成）时能显著降低token消耗。应用场景1. 快速原型或一次性脚本 → Deep Agents足够2. 复杂单Agent任务（爬虫、研究、代码生成） → Deep Agents很合适3. 多Agent协作 → CrewAI更顺手4. 需要完全自定义Agent行为 → LangGraph完全控制5. 对话式多Agent互动 → AutoGen更原生项目：github.com/langchain-ai/deepagents#HOW I AI# #程序员#

32. 【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

33. 让AI智能体拥有像人类的持久记忆：基于LangGraph的长短期记忆管理实践指南网页链接如何让AI智能体（Agent）像人类一样拥有持久的记忆，从而在复杂的连续任务中保持上下文感知和深度理解？这已成为构建高级智能体的核心挑战。本文将深入探讨Agent Memory的核心概念，并聚焦于LangGraph框架下的长短期记忆实现，详解短期会话与长期知识的存储、管理、语义检索等技巧。更进一步地，我们将通过一个引入MCP协议的实战案例，手把手带你构建一个真实的融合长记忆机制的Multi-Agent系统，直观展示中断、记忆与协作的融合。

34. 《深度拆解：AI Agent Harness 的构造》深入探讨 Anthropic、OpenAI、Perplexity 和 LangChain 究竟在开发什么。涵盖编排循环、工具、记忆、上下文管理以及所有能将“无状态”大语言模型转变为全能 Agent 的核心组件。深度拆解：AI Agent Harness 的构造

35. Agent 框架记忆问题的解法～用过 LangChain、CrewAI 这些 Agent 框架的都知道一个痛点：它们的记忆管理很鸡肋。大多数框架的做法是：短期放在列表里，长期靠 RAG 检索。听起来合理，实际很脆弱。问题在哪？1. 信息丢失。RAG 只会检索出片段，但对话的整体脉络、为什么重要、前后的因果关系都丢了。用户说"上次那个项目"，Agent 可能查出相关文档，但根本不知道用户为什么关心这个项目。2. 幻觉加倍。Agent 基于零碎的检索结果推理，没有全局认知，自然容易编造细节。3. 记忆冲突。同一件事在不同时间表述可能不一样，Agent 也不知道哪个才是"真相"，结果前后矛盾。核心问题：RAG 本质是"我记不全，就检索部分"——但这对需要全局一致性的 Agent 任务来说，根本不够。文章的解法：混合记忆架构，不是非此即彼，而是分层：第一层：实时记忆 —— 最近 N 轮对话完整保留，一个字都不丢。这保证了 Agent 对当前对话的理解是准确的。第二层：压缩记忆 —— 更早的对话不是直接存，而是压缩成摘要。比如 50 轮对话压缩成"5 个关键决定 + 3 个重要背景"。成本低，还保留了信息密度。第三层：语义检索 —— 用向量数据库索引压缩后的记忆。这样检索时找的是"高浓度摘要"，而不是淹没在海量文档里。第四层：验证 —— 最关键的一步。Agent 每次从记忆里检索出来东西，要自己验证一下："这个旧记忆和我现在的对话一致吗？"不盲目信任。为什么这个方案值得用？1. 解决了 RAG 的致命问题——记忆有连贯性，Agent 知道全局脉络，不再前后不一。2. 成本可控——压缩记忆大幅降低向量库规模和 token 消耗，相比把所有历史都存下来，省一个数量级的钱。3. 可验证——加验证层，Agent 不会死板地信任过期的记忆。适用场景：- 长期对话的 AI 助手（用户期望 Agent 真的"记得我们的历史"）- 复杂多轮谈判或诊断（需要一致决策，不能前后矛盾）- 需要积累知识的任务流不适用的场景：- 单轮或短对话（没必要这么复杂）- 纯知识库查询（RAG 本身够用）原文：dev.to/diego_falciola_02ab709202/every-ai-agent-framework-has-a-memory-problem-heres-how-i-fixed-mine-1ieo#HOW I AI# #程序员#

36. 分析大型代码库时，经常需要来回切换编辑器、文档、依赖图和搜索工具，AI 助手也常常忽略深层依赖和调用链，造成修改失误。GitNexus 把代码库分析所需的功能全部整合到一起，提供了零服务器的代码智能引擎解决方案。不仅能构建完整的知识图谱（依赖、调用链、功能集群、执行流），还支持 Graph RAG 智能体、MCP 协议集成、多仓库管理，甚至浏览器内可视化探索。GitHub：github.com/abhigyanpatwari/GitNexus主要功能：- 完整知识图谱构建，支持 14+ 编程语言（TS/JS/Python/Java 等）的 AST 解析和跨文件符号解析；- MCP 服务器集成，与 Claude Code、Cursor、Codex 等 AI 编辑器无缝对接；- 智能工具集：影响范围分析、变更检测、多文件重命名、Cypher 图查询；- 浏览器 Web UI，支持拖拽 ZIP/仓库即时生成交互式知识图谱和 RAG 聊天；- 多仓库支持，统一图谱查询执行流和跨仓库合约匹配；- 自动生成 AGENTS.md、技能文件和代码 Wiki 文档。支持 CLI（npm install -g gitnexus）、Docker、多平台本地运行，也提供在线试用 gitnexus.vercel.app，适合开发者、AI 工程师和大型项目团队。#AI编程##代码分析##知识图谱# 爱可可-爱生活的微博视频

37. LightRAG 是一个简单快速的检索增强生成（RAG）框架，能高效整合大语言模型和知识图谱，实现智能文档查询和多模态检索。LightRAG支持多种存储方案（PostgreSQL、Neo4j、Milvus、OpenSearch等），支持文本、图片、表格、公式等多种数据类型的端到端知识抽取和问答。还提供了丰富的示例代码、Web UI，以及支持OpenAI、Hugging Face、Ollama、Azure OpenAI等多家模型接口。项目亮点：- 灵活配置的多存储架构，适合大规模知识管理；- 深度集成知识图谱构建与编辑，支持实体关系管理、知识图谱可视化；- 支持强大的Reranker提升检索效果；- 新增RAG-Anything，打通多模态文档处理与检索能力；- 丰富文档导入格式、引用功能、缓存管理、Token使用统计；- 还支持Langfuse可观测性监控以及RAGAS自动评价指标。无论是科研研究、企业知识库、还是多模态智能问答应用，LightRAG都提供了极具扩展性且高性能的解决方案。GitHub：github.com/HKUDS/LightRAG#在线智能检索# #知识图谱# #大语言模型# #RAG# #开源项目#

38. 关于 NotebookLM 植入 Gemini 这件事，我详细写了一篇自己的使用体验：网页链接NotebookLM 里的笔记本可以作为 Gemini 的外挂 RAG，Gemini 的答案会更加精准，幻觉会收敛，输出更加聚焦和有价值。而对于 NotebookLM 来说，Gemini 帮它搞定了多笔记本互通的事情，另外，NotebookLM 干不了的事儿，Gemini 可以代劳，比如 Deep Research，出图，做视频，写程序等等。这就有点像 Agentic RAG，当然，因为 Gemini 是面向所有互联网数据的，泛化的更厉害一些。目前墨问时间的知识库，还是经典 RAG，要升级成 Agentic RAG，本质是让模型从“只在生成参与”扩展到“全链路参与”，把检索变成一个可决策、可路由、可自我评估的系统，并引入可持久记忆与多源工具。这样不仅提升准确性与覆盖率，也能在复杂查询下保持稳健。还有很长的路要走……

39. 双Agent合体！Hermes + OpenClaw 协同部署实战指南

40. 我团队今天首次实现内部 AI 龙虾群，我团队内部的不同人的 AI 龙虾开始互相学习，迈向初级的群体智能，这个过程，我们人也可以随时介入，实现人在环中的 AI for Research。附图是我的龙虾和团队内部的研究界面。据了解，这也是学界的第一个已公开的 OpenClaw 内部协作群，该模式也可以迁移到企业、政府和机构的群体 AI 智能演化中。 #新媒沈阳聊ai#

41. AI 智能体开发常常需要折腾各种框架和工具，LLM 模型调用繁琐，工具集成复杂，状态管理还得自己从头搭，调试起来异常麻烦。AI 智能体实战速成指南把从零到企业级落地的全流程浓缩成一套完整方案，助你快速上手实战。不仅有核心概念详解和架构设计，还提供 LangGraph、CrewAI 等框架实战案例、完整代码仓库，甚至企业级部署指南和优化策略。didilili.github.io/ai-agents-from-zero主要内容：- 核心概念详解，包括智能体架构、工具调用和记忆机制；- 多框架实战教程，支持 LangGraph、CrewAI、AutoGen 等主流方案；- 完整代码示例，从简单聊天机器人到复杂多代理协作；- 企业级落地指南，涵盖 RAG 集成、监控部署和性能优化；- 状态管理和调试工具，简化开发迭代流程；- 实际案例解析，如客服、销售和数据分析智能体。支持在线阅读和本地克隆，多平台浏览器访问，适合开发者、产品经理和企业团队快速上手 AI 智能体。#AI智能体##人工智能#

42. #微博龙虾助手# 升级博主数据分析及发博规划建议能力。你可以通过给和龙虾助手对话，获取你自己的互动数据，趋势变化，粉丝画像分析，重点运营方向和发博建议。安装方式龙虾用户，私信@微博龙虾助手点击连接龙虾获取安装指南。已安装用户会自动升级skills获取。Claude，CodeX，Hermes等用户可以和Agent说 “安装网页链接 ”也可以安装weibo-ai-bridge 获取全部AI能力 github.com/kangjinshan/weibo-ai-bridge欢迎博主将自己的Agent接入微博，后续也会开放更多博主自身数据助力运营提效。

43. RAGM模型详解：智能体的核心架构与四元组工作机制深度剖析

44. 微软AgenticRAG实测：企业级知识库检索，单次调用准确率逼近“上帝视角”

45. 检索增强生成（RAG）与微调（Fine-tuning）的架构创新设计：技术演进、适用场景与实战指南

46. 字节一面：解释一下 Agent 的记忆机制，为什么主流 Agent 要淘汰传统 RAG？

47. PageIndex 如何用推理式 RAG 重塑长文档智能问答

48. 用一张图看懂 Naive RAG 与 Agentic RAG

49. 2025年最火的RAG进化论：从“菜鸟”到“AI精工”，你跟得上吗？

50. Agentic RAG 没想象中那么美好：从理想架构到企业落地的困境

51. 这次走对了，微软AgenticRAG实测5.9倍提升

52. Agent知识库集成:RAG调用最佳实践指南

53. 08｜工具篇：让模型学会“查资料”——RAG与Toolformer的实践

54. 图解 RAG（二）快速入门｜范式演进：从 Naive RAG 到 Agentic RAG

55. 从传统 RAG 到 Agentic RAG：为什么检索要变成 Agent 的工具

56. 十分钟读懂RAG

57. Agentic RAG到底值不值？四大维度实测给你答案！

58. RAG与Agentic AI：LLM如何连数据打造智能AI

59. 从RAG到Agentic RAG 的进化之路

60. 传统RAG已到尽头：Agentic RAG正成为新范式

61. 人工智能之RAG工程第七章 RAG 前沿技术与未来趋势

62. 艾体宝洞察|Vector RAG 到 GraphRAG：企业级 AI 知识检索架构演进

63. RAG的未来：3个趋势，为什么90%的AI项目还在用老方法？

64. Agent 开发笔记：RAG 和工具调用的区别

65. RAG又进化了！微软整了个企业级AgenticRAG

66. 企业AI代理为何失败？遗忘是关键问题

67. RAG——Advanced RAG(进阶RAG)

68. 当 RAG 遇上工具调用：Agent 的链路决策权，不该交给“写死的 if-else”

69. RAG五次进化：从关键词匹配到AI自主决策，一文看懂检索增强全貌

70. 拆解 RAG 核心架构：从稀疏检索到 Cross-Encoder 重排序的演进

71. 别再只会写普通RAG了！试试Agentic RAG

72. 美团智能体面试：解释 AI Agent 的规划能力，如何实现多任务协同（如点餐 + 支付 + 售后）

73. Agentic RAG 工程实现：把企业公开知识、外部联网数据和敏感数据封装成工具

74. 图解 RAG（十二）快速入门｜高级架构：GraphRAG、AgenticRAG 等五大进阶方案

75. 多模态RAG的三个核心关键技术：Embedding、Faiss与切片策略

76. RAG 与记忆机制本质辨析及研究路径评估

77. 面试官：解释 Agent 的规划能力，如何....

78. 美团大模型二面：传统的RAG流程是"先检索后生成"，你是否了解一些其他的 RAG 范式，比如在生成过程中多次检索或自适应检索？

79. 面试必考 | GraphRAG vs Agentic RAG：2026年RAG技术演进全景深度解析

80. 做了一个基于 Spring AI 的智能助手用户提问 → LLM 决策是否需要查知识库 → 需要就调用 KnowledgeTool（向量检索 RAG） → 不需要就直接回答 → 答案通过 SSE 实时推送到前端底层用 Ollama 本地跑 bge-m3 向量模型数据存在 PgVector 向量数据库支持自定义工具扩展数据库查询、邮件发送、文件读写... 想让 AI 做什么，写个 Tool 就完了区别于普通 RAG 问答这个项目实现的是 Agent 架构 LLM 自己决定要不要调用工具、调用哪个工具涉及的技术栈： - Spring AI + Ollama（LLM + Embedding） - PgVector（向量数据库） - SSE（实时推送） - Tool Calling（工具调用机制）感兴趣的同学可以看看 👀#编程 #agent #java

81. 从 RAG 到Agent：多工具调度链路

82. Agentic RAG 的工程边界与真实代价

83. Agent规划算法｜代理规划算法｜LLM PROMPT系列

84. 第02篇：别上来就搞Agentic RAG

85. 【Agent入门到精通】08-规划与推理：Agent如何分解复杂任务

86. AgenticRAG架构演进

87. 2026面试必考！Agentic RAG 3.0 原理深度解析：从朴素RAG到自进化检索

88. 26年Agent最新设计理念

89. 一文看懂 AI Agent 的规划能力：ReAct、CoT、Plan-and-Execute 有什么区别

90. Agent 智能体：原理、设计与实践

91. Day 6：先想清楚再动手——给 Agent 加上规划能力

92. 🤖 AI Agent 规划能力演进：从 ReAct 到思维树，智能体如何学会「三思而后行」？

93. AI 知识库智能体的开发技术

94. 《Agentic RAG：当LLM开始主导检索流程》统拆解Agentic RAG： RAG三阶段演进：Naive → Advanced → Agentic Agentic RAG核心能力：让模型判断要不要检索、检索顺序、数据源选择、是否继续追查、证据校验三种典型模式：路由器模式、查询规划模式、迭代检索模式优势与真实代价（延迟/成本/不确定性更高）适用场景判断：固定管道够用就不要过早引入复杂性 #AgenticRAG #RAG优化 #多步检索 #GraphRAG

95. RAG 不是外挂知识库：而是在给 Agent 补长期知识通路

从Naive到Agentic：RAG架构升级的核心路径与实践建议

精选参考来源