共 15 篇文章
从上下文到权限：如何把 Agent 接进真实业务流程
七牛开发者以 LangChain 内部付费投放 Agent 为例（周报从 18 分钟缩到 85 秒、成本降到 1/40），讲清把 Agent 接进真实业务流程的关键不在模型本身，而在周围的支撑系统。文章拆成四块：业务上下文按稳定度分五层管理避免提示词膨胀；模型、工具与运行时分离；身份与权限最小化并绑定调用者；写操作的重试与结果验证。结论是当 Agent 从回答问题走向完成任务，业务事实来源、工具开放、状态隔离、身份传递、写操作重试与完成确认都会成为生产 Agent 必须处理的部分。适合做企业级 Agent 集成的工程师。
经典重读｜为什么写好提示词反而不如直接给例子？
通过重读GPT-3论文(少样本学习者)阐释Few-shot与上下文学习，论证给参照物、给例子比写详细提示词更有效，并给出正反例搭配的实操写法，适合提示词工程与AI写作实践者。
一文彻底打通AI底层逻辑：从LLM到Agent，所有核心概念拆解透彻
本文从工程视角系统拆解 AI 底层核心概念：LLM 本质是逐词预测的概率模型，Tokenizer 负责文字与数字互译，Context/Window 是临时记忆体，Prompt 决定输出质量，Tool 与 MCP 打通外部能力，Agent 与 Agent Skill 实现自主任务编排。文章厘清概念间关系并指出底层逻辑恒定，适合想夯实 AI 认知、看懂新产品原理的进阶读者。
Harness、LLM、Token、Agent、MCP…AI圈最烧脑的8个概念，一文彻底讲透
本文面向零基础读者，用最通俗语言讲透 AI 圈最易混淆的八个核心概念：LLM 是逐词预测的引擎，Token 是计费的最小单元，Context 是临时记忆，Prompt 决定指令质量，进阶的 Harness 是给 AI 的完整工作手册，Tool 与 MCP 打通外部能力，Agent 与 Agent Skill 实现自主任务。帮助普通人消除概念迷雾、建立系统认知。
从“做过”到“会做”：用 OpenViking 经验记忆构建 Agent 的进化闭环
介绍开源上下文数据库 OpenViking 如何为 Agent 建立“经验记忆”：持续收集每次任务的执行轨迹（目标、工具调用、结果、反馈），归类比较后提炼可复用的成功模式、失败模式与边界条件，让 Agent 从“做过”走向“会做”。文章给出一个真实任务下的进化闭环，并展示其在内部经营分析助手（少返工）与面向消费者的售后助手（把事办完整）的落地效果。适合想让 Agent 跨会话稳定复用、不再每次从零试错的团队。