全部文章

Archify 面向 AI 编程助手，将代码库或系统描述生成可验证、可交互、可导出的架构图，解决技术意图难以转化为可信沟通产物的问题，提升架构审查、变更对比与系统理解效率。

LightRAG以知识图谱与向量嵌入双层架构降低GraphRAG类方案开销，解决大规模RAG索引慢、检索贵、增量更新难的问题，并通过多模态处理、多查询模式和多后端部署提升生产可用性。

LLM Wiki 解决传统 RAG 只做即时检索、难以沉淀知识的问题，通过 LLM 增量生成并维护结构化 wiki，支持图谱关联、多阶段检索和多格式导入，将召回率提升至 71.4%。

开源书《深入理解AI Agent》系统解决AI Agent从原理到工程落地的学习与实践问题，提供10章内容、10种语言版本及94个实验代码，降低开发者构建、评估和扩展Agent的门槛。

CodeGraph 用本地代码知识图谱替代 grep/glob 遍历，为 AI 编码助手提供精确语义上下文，平均减少 89% 工具调用、69% token 和 60% 成本，并支持多语言、框架感知、跨语言桥接与本地隐私运行。

拆解智能体应用的 Harness、API 与推理三层架构，说明通过增量传输、稳定提示前缀、延迟工具发现、并行安全检查、缓存感知路由、推测解码等技术减少重复计算，降低延迟与每次成功任务成本，并总结简单设计、端到端优化和让智能体参与优化的实践原则。

介绍GPT-5.6如何通过模型、推理系统和智能体编排层协同优化，在保持智能水平的同时降低成本、延迟与硬件需求，核心手段包括负载均衡、内核优化、推测解码、缓存复用、上下文治理和重复工作削减。

梳理蒸汽、电力、互联网到AI的技术叙事循环，指出乐观承诺常以“进步”和“不可避免”遮蔽代价，而批判虽迟到却会转化为制度护栏，成熟文明应为反思声音保留位置。

借 Linus 从亲自写代码转向 Linux 项目设计与协调的角色，说明 AI 编程不是简单提示生成代码，而是让专家像维护者一样把控方向、质量与取舍，软件能力重心转向架构判断和代理协作。

梳理自进化Agent的三条路线：经验/Skill存储、RL权重训练、零数据自学，指出经验总结者被系统性低估，未来关键在于同时实现自主出题与可训练总结者。