Category
AI 工程
从 ReAct 到 Agent：让模型边想边做
ReAct（Reasoning + Acting，来自 2022 年的论文 ReAct: Synergizing Reasoning and Acting in Language Models）解决的，是当时两条路各自的缺陷——它把「推理」和「行动」拧成一个循环，也成了现代 Agent 的大脑原型。 要讲清它解决什么，先看它之前的两个半成品。 一、它之前的两...
ReAct
Agent
LLM
工具调用
什么是向量数据库：给大模型接上「按意思查」的知识库
向量数据库，简单说就是专门用来存「向量」、并能极快地找出「最相似向量」的数据库。要理解它，得先接上 embedding 这个概念——如果对「文本怎么变成向量」还不熟，可以先看 从 Prompt 到输出 和 多模态 Token。 一、从 embedding 说起：为什么需要它我们已经知道：文本、图像、音频经过模型都会变成向量（embedding），而且有个关键...
LLM
向量数据库
Embedding
RAG
什么是 MCP：给大模型接上外部世界的「USB-C」
大模型本身是个「关在盒子里的大脑」：它会推理、会写字，但看不到你的数据库、读不了你本地的文件、调不了公司的内部 API。要让它真正干活，就得给它接上外部世界——读数据、调工具、做操作。 MCP（Model Context Protocol，模型上下文协议） 就是为这件事定的一套开放标准。它由 Anthropic 在 2024 年底提出并开源，现在已经成为 A...
Agent
LLM
MCP
Claude
为什么 Agent Skills 是 AI 工程的利器：从渐进式披露说起
📚 前言先抛一个 AI 工程里几乎绕不开的矛盾： 你希望 Agent 能力越多越好，但能力越多，要塞给模型的说明书就越长，上下文就越贵、越挤、越乱。 把所有工具、所有规范、所有领域知识一股脑写进 system prompt，demo 阶段没问题。但当能力涨到几十上百个，你会发现： 上下文窗口被说明书占满，留给真正任务的空间越来越少 每次请求都背着全部说明，...
AI 工程
LLM 应用
Anthropic
Agent Skills
渐进式披露