AI圈子 · AI 圈的最新动态，一条一条刷

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🔥 10个你不能错过的AI GitHub仓库，全部开源，值得收藏。

AI发展太快，这些仓库正在推动AI代理、编码工作流、研究和自动化走向新高度。挑几个最值得关注的：

1. OpenClaw — 强大的个人AI助手，跨操作系统和平台运行。
2. Superpowers — AI编码代理的技能框架和软件开发方法论。
3. OpenAI Codex — 开源编码代理，将AI驱动的软件开发带到终端。
4. Everything Claude Code — 为Claude Code打造的技能、工作流和工具集合。
5. Scientific Agent Skills — 将AI代理变成研究助手，提供现成的科学技能和数据库。
6. Claude Plugins Official — Anthropic官方Claude Code扩展插件集。
7. OpenHands — 开源AI开发者平台，代理可处理真实软件工程任务。
8. Browser Use — 让AI代理与网站交互，自动化浏览器任务。
9. OpenViking — 为AI代理打造的开源上下文数据库，集成记忆、资源和技能。
10. Hermes Agent — 基于工具、技能、持久记忆和自主工作流的个人AI代理。

个人点评：这些仓库涵盖了AI开发的完整链条——从个人助手到开发框架，从研究工具到浏览器自动化。特别推荐OpenClaw和Superpowers，前者是全能型个人AI助手，后者为编码代理提供了结构化的工作方法。在AI工具爆炸式增长的当下，这份清单能帮你快速找到最有价值的开源项目，避免在无数仓库中迷失方向。

建议收藏，需要时按需选用。AI代理时代才刚刚开始，这些工具会让你事半功倍。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🧠 LangChain、LangGraph、DeepAgents到底该怎么选？很多人搞不清这三者的区别。

首先，官方是这么介绍的：

• LangChain 是 Agent Framework，提供抽象化的模型，比如结构化内容块、agent 循环、middleware 等，帮助你快速上手，统一构建方式。
• LangGraph 是 Agent Runtime，更底层一些，面向生产环境运行的基础设施，比如支持流式响应、线程级持久化、跨线程状态、human-in-the-loop 等。
• DeepAgents 是 Agent Harness，在框架之上、配置更开箱即用、带默认提示、工具调用管理、规划工具、文件系统访问等。

使用场景：

• 构建新项目，想快速围绕 LLM + 工具搭起结构：用 LangChain。
• 已经进入生产环境，想做稳定执行、状态持久、弹性伸缩：用 LangGraph。
• 想要有直接用级别的 agent 体验，比如尽量少的自己定义、更多的开箱方案，可以用 DeepAgents。

个人点评：这三者不是互斥的，而是可以递进组合。基于 LangChain 构建 agent，跑在 LangGraph 上，最终用户体验用 DeepAgents 的开箱化方案。理解这种层次关系，能帮助我们在AI系统设计中选对工具。

搞清楚现在是在哪个阶段，搞清楚这几个的层级比记住名字更重要一些。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

🔧 构建靠谱的 AI Agent 不是靠写好 Prompt 就够的——这是一套7步框架。

大部分人在做 Agent 的时候，上来就写 Prompt，试到能跑就行。但真正能上线跑生产的 Agent，靠的是系统架构。

1. 定义目标明确的成功标准 + 人工审查点位置
2. 选对模型LRM做深度推理、LLM做日常任务、SLM做路由和重写
3. 选对框架简单自动化用 Dify/n8n、生产环境用 LangChain/CrewAI/Agent SDK
4. 工具接入MCP 服务、Agent 互调、结构化 Function Calling
5. 记忆分层缓存记忆 + 事件记忆 + 文件系统记忆
6. 上下文管理摘要旧对话 + 按需加载相关上下文
7. 测试与评估单元测试 + 边界用例 + 成本核算

为什么值得看？因为大部分人做 Agent 的思路是"Prompt → 跑通 → 上线"，而生产级 Agent 的思路是"架构 → 分层 → 测试 → 上线"。差距就在这个地方。

🚀 2026年AI从业者的9项核心技能，你掌握了几个？

不是每个都要学，但至少得知道自己该补哪块：

1. Prompt Engineering — 所有AI工作的基础，写好指令才能拿到好结果
2. AI 工作流自动化 — 把重复任务连成自动化流水线
3. AI Agent 开发 — 能规划、能记忆、能执行的智能系统
4. RAG — 让AI检索你自己的文档和知识库
5. Fine-Tuning & Custom GPT — 针对特定场景定制AI模型
6. AI 视频生成 — 从脚本到成片的自动化制作
7. 多模态AI — 文本、图像、音频、视频联合处理
8. AI 工具组合 — 把多个AI工具串联成高效工作流
9. LLM 评估与管理 — 衡量准确率、成本、性能和质量

别贪多。选2-3个方向深入，比什么都浅尝辄止强十倍。

2026年不是"会不会用AI"的问题，而是"怎么用好AI"的问题。

DeepSeek 发布 Harness 的时候，做了一件很不寻常的事：他们没有像大多数科技公司一样写一篇技术博客，而是直接发了一篇论文，A Programming Paradigm for Spatiotemporal Composability。

别人发布一个 Agent Harness，通常会告诉你有哪些 tools，怎么接 MCP，怎么做 memory，怎么 orchestrate agents。DeepSeek 却在用形式化定义、数学符号和演算体系解释 Cordis 背后的编程范式：effect、coeffect、context transformation、inverse，一个组件如何加入系统、如何撤销，依赖关系如何随着运行时状态动态变化，甚至试图从理论上说明这套 programming model 为什么成立。

非常另类，也非常与众不同，让人耳目一新。 这种气质，和论文作者之一、DeepSeek Harness 负责人崔添翼的背景密不可分。

崔并不是典型的 AI researcher。在加入 DeepSeek 之前，他在 Jane Street 工作了大约九年。

Jane Street 在程序员世界里是一个很特殊的存在。它虽然是一家量化交易公司，却以 functional programming、type system、formal reasoning 和对软件正确性的执着而闻名，甚至长期把 OCaml 这种极少出现在普通互联网公司的函数式语言作为核心生产语言。

崔添翼当年放弃 Google offer 选择 Jane Street，其中一个重要原因，就是他希望真正使用 OCaml 和函数式编程。

所以当你今天打开这篇论文，会发现这种思考方式一脉相承：系统最基本的抽象是什么，有哪些不变量，一个 component 加进来以后改变了什么，离开以后这些变化能不能被完整撤销。这正是 Jane Street 式的 formal reasoning 在一套 agent 系统设计上的延伸。

Cordis 很有创造性的把这个问题归纳为两个维度：Temporal composability，一个组件退出时，它产生的副作用能够被完整撤销；Spatial composability，组件只需要声明自己的依赖，runtime 会随着 context 的变化动态管理这些依赖。

如果说 Shigma 孤梦星影带来了 Cordis 这套架构，那么崔添翼为什么会如此自然地接受、推动，甚至把它形式化成论文？ 这也许可以从他更早的经历里找到答案。

二十年前，他写过在中国算法竞赛圈影响很大的《背包问题九讲》。背包问题表面上是在研究"有限容量里怎么选择物品"，但真正训练的是另一种能力：如何找到正确的状态表示，把复杂约束转化成统一模型，再通过局部状态转换组合出整个问题的解：状态、转换、依赖、抽象、组合。

二十年后，问题从"如何组合一组物品"，变成了"如何组合一个不断变化的软件系统"。对象完全不同，但这种思维方式如出一辙。

于是你再看 DeepSeek Harness 最核心的设计理念：Everything is a Plugin。model 是 plugin，tool 是 plugin，session 是 plugin，甚至 agent loop 本身也是 plugin。系统不再围绕某个固定 agent 构建，而是围绕"如何动态组合这些能力"来构建。

这种视角一石激起千层浪，也让整个行业重新开始审视 Harness 到底应该怎么设计：其中就包括最受欢迎的 Agent Harness 之一 Pi 的作者 Armin Ronacher。他看完之后写道，这是他很久以来第一次在这个领域看到全新的东西，并因此重新审视自己的一些设计选择。

就像当年 R1 推出，让整个行业为之震动，重新思考推理模型的后训练方法，并推动了随后开源模型的飞速发展。这一次 Harness 的推出，同样可能带来一次新的范式革新。

Adam Fry（前Google搜索产品经理）发了一条长推，聊AI搜索的现状和问题，信息量很大。

核心观点：

1. AI搜索的「幻觉」问题比想象中严重 —— 不是偶尔编造链接，而是系统性地「补全」不存在的网页。用户以为找到了来源，实际上来源根本不存在
2. 搜索引擎正在变成「答案引擎」—— 用户不再点击链接，而是直接看AI总结。这对内容创作者是灾难性的打击，流量断崖式下跌
3. 付费搜索正在崛起 —— 当免费搜索质量下降，用户开始为更可靠的搜索结果付费。Perplexity、You.com 等新玩家正在抢这块蛋糕
4. Google的应对策略 —— 正在加速整合Gemini到搜索中，但内部对「搜索广告收入」和「AI直接给答案」之间的矛盾还没达成共识

他提到了一个很扎心的数据：目前AI搜索引用来源的准确率只有约60%，也就是说有40%的引用可能是错的或不存在的。

这个问题不解决，AI搜索永远只能是「参考」，不能是「依据」。

#AI搜索 #搜索引擎 #Google #Perplexity