sirius_mchao

摘要： 很多人刚接触 Agent 时，会有一个很自然的想法： 只要模型够强，Agent 就能完成各种任务。 但在实际系统里，很快就会发现一件事： 没有 Tools，Agent 什么都做不了。 因为大模型本质上只会做一件事： 生成文本。 一、LLM 本身不会执行任何操作 举一个简单例子。 如果问模型： 北京现 阅读全文

摘要： 如果我们看过一些 Agent 框架，比如： LangChain AutoGen CrewAI 可能会发现一个有点奇怪的现象。 这些框架看起来功能很多： Tool 调用 Memory 多 Agent 协作 任务规划 但如果真的去翻源码或者架构，我们会发现一个事实： 很多 Agent 系统的核心逻辑其实 阅读全文

摘要： 最近两年 Agent 这个词越来越火。 一开始我其实是有点懵的。 RAG、Memory、Tool、Planning、Multi-Agent……各种概念一股脑冒出来，看起来像是很多新东西。 但如果你真的去做一些 Agent 系统，很快就会发现一件事： 这些概念看起来很多，但背后的逻辑其实并没有那么复杂 阅读全文

摘要： 很多人都在讨论：GPT 什么时候变得更聪明。 但如果我们只把 AI 当成「更聪明的聊天机器人」，很可能就错过了这轮技术革命最重要的一件事—— AI 第一次，开始真正「行动」。 真正改变 AI 未来的，不是「大脑更强」，而是：AI 开始能自己干活了。 这就是 Agent 出现的根本原因。 理解这一点， 阅读全文

摘要： 很多人第一次认真做大模型应用，都会遇到一个相似的时刻。 你把需求写得很完整：背景、目标、约束、参考材料，一条不落。结果模型的回答却开始变得奇怪： 有些关键点被忽略，有些结论前后打架，有些地方甚至像“没看到你的输入”。 直觉上我们会觉得：是不是 Prompt 还不够清楚？ 但在不少场景里，真正的问题不 阅读全文

摘要： 我们可能听过很多对 RAG 的描述： “给 AI 接个知识库，它就能查资料了”； “加上 RAG，模型就不会胡说八道”； “RAG 就是让模型学会联网搜索”。 这些说法有一点道理，但都不够准确。 因为从系统机制上看，大语言模型本身并不会“查资料”。 它不会主动访问数据库，不会自己执行检索，更不会在推 阅读全文

摘要： 你可能有过这种体验： 昨天和 AI 聊过你的项目，它今天还能接着聊； 你让它“记住我的偏好”，它似乎也做到了； 在长对话里，它看起来像一个“有连续记忆”的协作者。 于是一个看似简单的问题出现了： 模型真的记住了吗？ 这篇文章给一个清晰结论： 大模型本身并不“记忆”，它只是在每次推理时重新读取输入。所 阅读全文

摘要： 如果必须用一句话概括大模型时代最重要的工程发现，那就是： 在模型参数固定的情况下，AI 的能力上限，主要由它在推理时能够同时访问的“有效信息量”所决定。 这不是比喻。而是一条在工程实践中反复被验证的系统规律。 理解这一点，几乎可以解释过去几年 AI 领域所有看似神奇的能力跃迁。 一、被忽略的事实 模 阅读全文

摘要： 当人们第一次接触大语言模型时，最直观的体验是： 只要输入一句话，AI 就会按要求完成任务。 于是一个几乎本能的结论产生了： 👉 Prompt 就是在给 AI 下命令。 这听起来非常合理： “帮我写一篇文章” “总结以下内容” “翻译成英文” 这些表达方式与人类日常交流中的指令形式高度一致。 但如果 阅读全文

摘要： 过去几十年，人类始终在追问一个问题： 机器能否真正思考？ 当大语言模型出现后，这个问题第一次变得不再抽象—— 因为它们的表现确实像在思考。 它们能写代码、分析问题、总结复杂资料，甚至可以进行多步骤推理。 与之对话时，人们很容易产生一种直觉： 这不像工具，更像一个"理解世界的智能体"。 然而，如果我们 阅读全文