随着大语言模型（LLM）从被动的问答工具演变为具有自主性的智能体（Agents），传统的检索增强生成（RAG）架构正面临前所未有的挑战。当智能体需要执行长周期的复杂任务——如代码重构、法律合规审计或企业流程自动化——仅凭基于语义相似度的向量检索（Vector Retrieval）已无法满足需求。智能体不仅需要“知识”，更需要“记忆”和“结构化认知”。本文将详尽探讨一种新兴的架构范式：代理式 RAG (Agentic RAG)，并重点剖析其核心组件——上下文追踪 (Context Trace) 与 上下文图谱 (Context Graphs)。
前几天，我看到一篇国产 AI Coding 工具的案例文章，花了不少篇幅在讲一个“智能体的附加价值”——当你写代码写到崩溃时，它可以安慰你、鼓励你，让你感觉好受一点。
2025，不是 AI 提升效率的一年，而是开始释放创造力的一年。
本文由 NotebookLM 基于我的演讲材料《Agentic 时代的前端：当 UI 成为数字员工的执行界面》生成初稿，我在此基础上补充细节，最后由
Xiuper 的后半部分来自 “super”，但它并不指向“更强的 AI”，而是指向一种 能力放大。在 Xiuper 中，AI 并不是一个只负责回答问题的助手，而是作为工程体系的一部分参与进来。它理解项目结构、理解设计决策、理解历史上下文，并在合适的阶段承担合适的角色。
AutoDev Knowledge Agent 的想法是来源于一次与客户的交流中，说到的 RAG 相关的问题：结构化数据优于非结构化数据，JSON 还可以采用
在现代软件开发中，代码审查（Code Review）早已成为质量保障和团队协作的核心流程。但在实际工程环境里，审查往往陷入
在上一篇文章《以 ROI 为中心的 AI 代码检视体系与分级》里，我们介绍了在不同的系统
昨天，和我的前同事（他们 Thoughtworks Global，我们前 Thoughtworks 中国区，现 Inspire）聊完 AI Code Review 之后，觉得有几个点非常不错