来自伦敦大学学院，核心组件是 PrometheusPrometheus = 知识图 + 多Agent + 真实复现 = 自动修代码的“智能工程师”一、概况用 Neo4j 图谱（文件→AST→文档）理解代码库，通过 LangGraph 编排 5 个专用 Agent：分类 → 复现（Docker）→ 生成补丁 → 验证 …
Lemonade SDK 是开源本地 LLM 推理框架，专为 AMD Ryzen AI 等硬件加速设计，兼容 OpenAI API，让你的电脑跑大模型像调用云服务一样简单。一、核心是什么？开源（Apache-2.0）｜本地运行 LLM｜不靠云核心价值：把云端 LLM 的体验，搬到你的笔记本/台式机上，尤其适配 AMD…
一、原文：https://www.philschmid.de/agents-2.0-deep-agents二、译文：智能体2.0的崛起：从简单循环到深度思考的演进过去一年里，构建人工智能智能体(Agent)通常只有一种模式。举个例子，它就像一个简单的“循环”程序。它接收用户的指令。然后，它把指令发给大型语言模型(LL…
A Collaborative Routing Framework for Memory Augmentation in User-AI Interaction Systems摘要本文提出 MemRoute —— 一种面向用户–AI交互系统的新型记忆增强框架。传统推荐与对话系统依赖用户显式交互数据构建潜在向量，难以捕…
https://github.com/microsoft/PIKE-RAGPIKE-RAG（sPecIalized KnowledgE and Rationale Augmented Generation）是微软提出的一套面向工业/专业场景的 RAG 框架核心目标是把检索到的领域知识“原子化/结构化”并逐步构建可追溯…
近年来在大语言模型（LLM）驱动的 AI 智能体浪潮中，涌现出多种新兴多智能体架构（Multi-Agent Architectures），它们在协作机制、通信范式、可扩展性和任务适应性上各有创新。以下是值得关注的几类架构：1. 对话驱动协作架构（Dialogue-Based Collaboration）代表框架：Mi…
第1部分：重新定义上下文工程——专用记忆架构的创新1.1 上下文工程：从提示管理到动态系统设计早期的上下文工程被定义为对输入大型语言模型（LLM）的文本信息进行精心设计与管理，以引导模型输出更可靠、可控且符合预期的结果。该方法在LLM发展的初期阶段成为性能优化的关键手段。然而，随着LLM的应用从单轮问答演变为持续交互…
Beam AI 是一家致力于 “agentic process automation”（智能代理流程自动化 / AI 代理自动化流程）平台公司，在它的官方网站，有一张架构流程图，很好展示了一个将任务分解（planning）→ 步骤规划（plan step）→ 工具查找 → 执行（execute step）→ 结果回传…
用多个AI角色通过聊天协作，自动写代码、测代码、写文档一、核心架构（4层）层级功能关键点Agent角色：CEO、CTO、开发、测试、文档每人有Prompt+职责，用自然语言沟通Chat Chain会话流程控制器决定谁在什么时候说啥，防止跑偏Execution生成代码 + 运行测试输出真实文件（.py/.js），可执行…
《Context Engineering 101》——让AI代理在有限注意力下高效行动🔑 核心洞见AI代理不是靠“更好提示”变聪明，而是靠“更精炼上下文”活下去。LLM的注意力是有限资源（n²复杂度），不是无限记忆。上下文 ≠ 所有信息，而是“最值得看的那几行”。🔄 上下文工程 vs 提示工程维度提示工程上下文工程目…