- 博客(6)
- 收藏
- 关注
原创 不是Models,就是 Harness
《Agent系统的核心在于工程化落地:模型与执行环境的协同效应》指出Agent系统的成功不仅依赖模型能力,更需要完善的工程体系支撑(Harness)。文章强调:1)多数Agent失败源于执行环境不完整而非模型缺陷;2)Harness是包含指令、工具、环境、状态、反馈五层的系统工程框架;3)代码仓库应结构化存储项目规则作为Agent的事实来源。作者提出"Agent=Model+Harness"公式,说明优秀Agent需要模型智能与工程系统的完美配合,其中Harness通过明确任务边界、验证
2026-05-07 15:37:07
196
原创 LLM Wiki:AI 知识库的下一种形态
LLMWiki:AI驱动的个人知识管理新范式 摘要: LLMWiki创新性地将AI能力与传统Wiki知识管理方法结合,构建动态生长的个人知识系统。其核心在于: 采用Wiki的知识组织方式,通过概念页、链接和索引构建知识网络; 让AI承担知识维护工作,自动拆解资料、更新页面、建立关联; 建立可信机制,区分事实与推断,保留修改痕迹; 形成"人机协作"模式:人类负责方向判断,AI执行底层维护。 这种范式将个人知识库从静态资料集升级为持续进化的研究系统,实现知识的高效转化与复用。
2026-04-24 14:51:43
1016
原创 Google工程总监Addy Osmani重磅开源:Agent Skills生产级工程技能库
GoogleCloud AI总监Addy Osmani于2026年4月开源AgentSkills项目,这是一个面向AI编程助手的生产级工程技能库。该项目在GitHub发布三周内获得21.4k星标,最新版本为0.5.0。它将软件开发流程划分为Define、Plan、Build等六个阶段,提供20个核心技能约束AI助手的工作方式,强调规格驱动、增量实现和可验证交付。每个技能都对应明确的工程动作,如需求定义、测试驱动开发等,确保开发过程规范可控。项目支持多种AI编程工具,通过Markdown技能文件实现标准化工作
2026-04-23 14:34:37
1842
原创 Agent 的竞争边界,正在从“模型本身”外移到“harness(执行/编排/上下文管理层)+ memory(状态与长期偏好)
过去我们更关心模型本身的参数规模、推理能力和基准分数,不过真正进入 agent 时代后,竞争焦点也会发生变化。
2026-04-22 14:13:03
217
原创 AI Agent 开发中的 Context 管理:为什么真正的瓶颈不在模型,而在“内存系统”
把工具执行层与模型推理层彻底分开。这背后的关键不是“摘要”本身,而是分层。一种更成熟的 Agent 架构,不应该让工具输出直接流入主对话历史,而应该经过至少三个层次:首先是执行层。工具仍然照常运行,拿到完整输出,不牺牲能力边界。其次是存储层。原始结果不直接进入主 Context,而是被保存到外部存储中,例如本地文件、SQLite、全文索引、向量数据库或其他可检索系统。原始数据被留在这里,等待未来需要时再访问。最后才是推理层。
2026-04-21 09:57:23
410
原创 爆火 GitHub:这份以 Karpathy 命名的 CLAUDE.md,揭示了 AI 编程的“纪律危机”
GitHub项目"andrej-karpathy-skills"因提出AI编程四大核心原则引发热议:1)先思考后编码;2)简约至上;3)外科手术式修改;4)目标驱动执行。该项目指出AI编程的瓶颈不在于知识量,而在于工程纪律,强调要让AI遵循明确约束和系统化流程。这份指南将资深工程师的实践经验显式化,帮助AI减少不必要改动,以可验证目标驱动执行。项目首日即获6,000星,现突破60k,展现了业界对提升AI编程纪律性的迫切需求。
2026-04-20 09:26:51
908
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅