暂无搜索历史
图 1:gstack 项目概览(11.8 万 Star / 双引擎架构 / YC CEO 出品)
这是 Milvus 源码深度分析系列的第 3 篇。前两篇聊了数据隔离(多租户)和数据维护(Compaction),这一篇转到查询加速这条线,看看索引引擎在背后做...
这阵子在翻 zilliztech 的开源项目,发现一个现象:社区里聊 AI Agent,绕不开一个问题——上下文从哪来、怎么管。
用 Claude、Cursor 这类 AI Agent 用久了,多半会撞上这几个麻烦:
最近翻 AI 编程工具的源码,发现一个有意思的现象:GitHub 上两个 star 都破十万的项目,Superpowers 和 spec-kit,都说自己是一套...
写 prompt 的人多半都有个直觉:要防止模型做某件事,就在 prompt 里写一条不要做 X。听起来天经地义。
给 AI agent 写规则,多数人的本能反应是写禁令:不要做 X、禁止 Y、绝不 Z。这很符合直觉——你不想要的结果,就明确说不。
Superpowers 6.0 的官方标题很直白:roughly twice as fast, while spending almost 50% fewer ...
图 1:Milvus Compaction 的反差感——一个 API 背后藏着 7 套机制
Milvus 官方文档里有句很抓人的话:单个集群支持百万级租户。这个数字对做 SaaS、RAG 和 Agent 平台的团队吸引力不小——百万租户要是每个租户单独...
图 1:撕裂的伪装层——上半是空洞的"聊天模型",下半是完整的 Agent 系统架构
翻了一圈社区讨论,这类吐槽出奇一致。问题的根源不是模型不够聪明,而是 AI 编程缺少工程纪律:没有规格管理,没有状态追踪,没有阶段校验。
你在给 AI agent 做记忆层的时候,大概率走过这条路:向量数据库 + embedding + top-K 检索。方案跑起来不难,精度数据往往不太好看。
这些问题看起来五花八门,但根源往往指向同一个方向:Skill 的质量瓶颈在设计层面,不在模型层面。
你在构建 AI Agent 的时候,大概率会遇到三个头疼的问题:Agent 聊着聊着就忘了之前的对话;检索知识只能做线性 RAG 管道,Agent 没法自主决定...
Milvus 2.6 做了一件挺大胆的事:把 Kafka 和 Pulsar 从架构里踢了出去。
翻了一遍 Anthropic 和 Perplexity 的官方技术博客,有一个共识反复出现:Skills 不是 prompt,也不是插件——它是上下文工程(Co...
你有没有注意到,越来越多的 GitHub 项目根目录里多了一些奇怪的文件 - CLAUDE.md、AGENTS.md、.cursorrules?连苹果的官方 A...
GitHub 上有个仓库,2026 年 1 月底创建,5 个月内拿到近 2 万 Stars。不是什么框架,不是什么模型,而是一堆 Markdown 文件和 JS...
企业落地 AI Agent,技术上不难,难的是让它可控、可审计、可信赖地跑在真实业务里。
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市