- 图解AI三大核心技术：RAG、大模型、智能体
- 让 Agent 规划调用工具 如何提升 Agent 的工具调用效果？Anthropic 的办法是让模型调用思考工具，并提供示例，让模型调用工具前/调用工具后思考
- 现代 RAG 架构的演进之路 RAG 技术的演进是一个从简单到复杂、从 Naive 到 Agentic 的系统性优化过程，每一次优化都是在试图解决无数企业落地大语言模型应用时出现的痛点问题。
- 性能超越SOTA模型90%！揭秘Claude多智能体系统的构建心法 Claude 最近给出了多智能体的最佳实践，正在做多智能体的同学强烈推荐一读！
- 我对 AI 的观感和对未来的预测 作者是 youware 创始人，对于 AI 有深刻的认知
- 未来可能会成为主流标准的智能体评测体系 它的评测不是以 AI 为中心的能力评测，而是对主流职业、业务场景的真实评测，看看各大智能体/模型在这些场景下的业务和商业化表现
- 快速改进 AI 产品的实用指南 文章提供了很实用的 AI 落地效果评估方式，特别是其中的方法论很值得学习！
- Anthropic 如何通过 AI 增强编程效率？ 今天上午，Anthropic官方公开了一份手册，揭秘他们内部10个不同团队（涵盖技术、科研、产品、营销、法律等团队）是怎么使用Claude Code的，场景案例非常丰富，其中的大部分实践经验也可以迁移使用在Cursor、Cline等AI编程工具上。
- Windsurf 如何看 Agent? 这篇文章对 Agent 的认知解释非常不错，从 Agent 基本概念到运行系统都有涉及，推荐一看
- Deloitte: How to reimagine work with AI agents 两大关注点：1. 基于业务领域、围绕角色来建设 Agent 2.通过流程来编排智能体，优化原先的业务流程
- LLM多轮对话的迷失现象 微软最近发表了<> 的研究，说当前最先进的 LLM 在多轮对话中表现会大幅下降，平均降幅达到 39%，本论文分析了各大模型的表现差异，并解析了迷失的根本原因和有效策略
- 为什么 AI Agent 需要自己的浏览器？ 探讨了未来的浏览器该如何满足 AI Agent 自动化抓取、交互和实时数据处理的需求
- Google智能体伴侣技术白皮书 对未来多智能体和 AgentOps 的方向进行了描述
- Claude 4 上线：Anthropic 不再教 AI 编程，而是让它自己写项目 通过自我约束让自己更可信，通过另辟蹊径让自己形成结果驱动的推理和工具调用闭环，并具备了更强大的连续任务执行能力和编程能力，基于智能化 workflow 的未来已来！
- Agent Infra 图谱：哪些组件值得为 Agent 重做一遍？ 对 Agent 各个应用场景进行深入介绍，并分析了未来的趋势
- 超越 RAG：Memobase 为 AI 应用注入长期记忆 通俗易懂的讲解了记忆对于 Agent 的重要性