标签
本文提出了一种 Agent 架构原则：参数通过溯源链（user_answer、instruction、pre_set_data、measured_data、prior_state）查找获得，而非生成，并将未知字段视为合法状态，以触发向用户询问。
Anthropic 的一位高级工程师发布了一份12页的PDF，详细介绍了用于多智能体系统的图工程方法，利用知识图谱作为持久化共享内存，以克服上下文窗口限制。
本文概述了四道关键边界（身份、意图、策略/执行、记录系统），以确保 LLM 永远不会直接访问生产系统，防止不可逆操作。文章强调需要多层权限检查，并对风险操作进行人工审批。
Andrew Ng 发布了一份8页的PDF，详细介绍了四个关键的智能代理工作流程：反思、工具使用、规划和多代理协作，强调一个弱模型通过适当的架构可以胜过强模型。
本文剖析了运行生产级网络智能体所需的五层基础设施（不仅仅是浏览器），涵盖热池（warm pools）、隔离（isolation）、身份（identity）、可观测性（observability）和模型网关（model gateways），并讨论了何时适合自建而非购买。
本文分析了AI代理从单循环到基于图形的自我改进架构的行业转变，解释了为什么优化单一指标常常失败，以及改进循环网络如何提供更稳健的解决方案。
作者反思了构建一个能够删除文件的本地AI代理，并得出结论：安全门比代理自主学习更为关键。
这篇来自 Ai2 的博客文章描述了构建 Shippy（一个用于实时领域感知的海事 AI 智能体）的架构和经验教训，涵盖了智能体结构（灵魂、技能、配置）、确定性工具、沙盒托管和评估等方面。
一篇博客文章认为，仅使用前沿模型进行规划，而使用更便宜的模型执行，这种做法并不划算，因为读取（而非编辑）才是主要的成本驱动因素；重复读取会抵消任何节省。
本文介绍了AutoPersonas，一种用于长期人格智能体的架构，通过将发散与证据驱动的吸收分离来防止“自锁”，在模拟环境中展示了更低的重复性和更好的身份连续性。
认为向量数据库不适合存储业务记录（如订单、余额等），因为语义相似性并不能保证事实的正确性；建议对结构化数据使用 SQL，而向量数据库仅用于非结构化信息。
讨论AI代理如何在三个层面（模型、框架、上下文）学习，以及为什么将用户修正作为标记示例捕获是构建随时间改进的自学习代理的关键。
详细的技术解析，说明Hermes Agent的结构化处理循环与基础聊天机器人的不同之处，包括提示组装、提供者解析、工具分发和结果评估。
一个AI代理的推理步骤被重新设计，以在panel-judge-synthesizer流水线中融合多个模型，并提供了哪些设计选择实际提升了性能的洞见。
解释了受框架控制的LLM智能体的反向架构，其中智能被外化到记忆、技能和协议中，围绕一个轻量模型核心，由中介器管理交互。
大多数MCP服务器是不必要的；本文提供了一个判断何时需要MCP服务器的框架，强调首先需要稳定的API和CLI。
描述了一个双层小型LLM架构：一个本地常驻代理（Raven）运行在RTX5080上，以及一个在线推理栈（Trinity Cortex），包含三个小模型和一个知识图谱，论证了小模型在基于图的推理中优于大型前沿模型。
本文比较了在云环境中部署 AI 智能体的两种模式：直接在沙盒中部署与解耦组件。文章解释了沙盒方法因云故障而存在的局限性，并重点介绍了 Anthropic 的 Claude Managed Agent 作为解决方案，该方案将会话存储、智能体运行时和沙盒解耦，以提高弹性。