LLM · RAG · Agent · 工程实践

构建
真正好用的
AI 应用

专注大模型应用开发。这里记录LLM 原理、RAG 工程、Agent 设计与落地实践。

近期文章

如何为 AI Agent 构建记忆：从 Trace 到可复用上下文

Agent 记忆不是简单保存日志，而是把运行轨迹中的有效信号提炼成未来可读取、可改变行为的持久上下文。

Agent 的可靠性不只来自模型能力，更来自围绕模型搭建的多层循环：行动、验证、事件驱动和持续改进。

Agent 的能力不只取决于模型本身，更取决于围绕模型搭建的 harness 如何在每一步提供上下文、工具、状态和控制逻辑。

MUSE-Autoskill 把 Agent 的经验从一次性的提示词，升级成可创建、可记忆、可管理、可评估、可迁移的技能系统。它真正值得关注的地方，是把 Skill 当成长期工程资产来设计。

RAGSearch benchmark 把 Dense RAG、GraphRAG 与多类 Agentic Search 系统放到同一套评测中，给出了一个务实结论：GraphRAG 没有过时，但只在多跳推理、稳定知识库和高稳定性场景中更值得投入。

解读 Verbal-R3 如何用 Verbal Reranker 和 Verbal Annotation，把原始检索文本转换成更适合大语言模型推理的有效内容。

Skill 不是 prompt 的存储格式，而是一套"description 是触发面、body 是执行面、脚本是延伸面"的三层结构。理解这套机制，才能写出真正会被调用的 skill。

大模型应用开发工程师，关注 RAG、Agent 和 LLM 产品化。记录实践中的判断、踩坑与可复用方法。联系我：yaolei_agent@163.com