Software 2.0

AGENT

AI代理的智能上下文管理

代理生成的上下文实际上很快变成噪音而不是有用的信息。另一种看法是：代理的上下文增长如此迅速，以至于它们变得非常昂贵，但并没有显著提高下游任务的性能。

TOOL

Beads：AI编码代理的记忆系统

Beads 不是“代理的问题跟踪器”——它是代理的外部记忆，具有依赖跟踪和查询能力，使它感觉像我跨会话的可靠工作记忆延伸。

AGENT

FalkorDB：AI代理的图数据库

LLM 需要结构化的上下文，而不仅仅是“相似”的文档。而当前的图数据库一旦规模足够大，就会变得非常慢。这就是 FalkorDB 的用武之地。

AGENT

AI编程代理：Grep vs. 语义搜索

当编码代理无法找到正确的代码时，它们会失败。Grep 适用于精确匹配。但当你的代理需要理解“我们在哪里处理身份验证？”时，grep 会返回空结果。

AGENT

如何开发长期运行的AI代理

长期运行代理的核心挑战在于，它们必须在离散的会话中工作，而每个新会话开始时都没有之前的信息记忆。

JOB MARKET

Greg的44个AI预测 (2026)

Greg Isenberg 提出了 44 条对 2026年AI关键趋势的预测，每一条都足以单独成为一篇行业报告。

APPLICATOIN

企业数据的文件系统抽象

Dust构建了合成文件系统，将不同的数据源映射到可导航的Unix风格结构。这将AI代理从搜索引擎转变为能够进行结构探索和语义调查的知识工作者，从而在公司数据中进行跨领域的操作。

APPLICATION

基于文件系统的AI代理上下文工程

AI代理可以将检索结果写入文件系统，而不是使用对话历史记录来保存所有工具调用结果和笔记，并在必要时选择性地查找相关的信息。

APPLICATION

AgentFS：AI代理的文件系统

AgentFS为代理提供了一个统一的接口，以便在一个SQLite数据库中管理所有状态，使其可以通过SQL查询，跨环境可移植，并且完全可审计。

APPLICATION

基于AI代理的LLMS.txt生成器

有时你想要使用的仓库没有llms.txt文件。在这种情况下，你可以自己创建一个。为了做到这一点，我使用了Google Agent Development Kit (ADK)构建了一个多代理解决方案！

APPLICATION

Anthropic：MCP 的新定位

MCP 在演示中运行得非常完美，但一旦你尝试扩展它，就会出现问题。Anthropic没有否认这一点。

MODEL-ZOO

Olmo 3：开源训练过程

Allen AI 的 Olmo 3 模型系列不仅仅是“开放权重”，而是完全开源整个训练过程。

APPLICATION

构建AI代理：仍然很难

构建代理仍然很混乱。一旦你遇到真正的工具使用，SDK 抽象就会失效。自己管理缓存效果更好，但不同模型之间有所不同。

TOOL

用 Docker 运行本地 LLM 模型

Docker 已经解决了应用程序“在我的机器上运行正常”的问题。现在，它正在解决模型运行的同样问题。

APPLICATION

LLM 是随机算法

最新的人工智能模型与一个拥有 50 年历史的学术领域之间令人惊讶的联系。

APPLICATION

构建自己的投资研究AI代理

最近，我做了一个小型概念验证项目：一个用于投资研究的人工智能代理。它并非用于实际交易（请勿用于此用途），但它能很好地展现人工智能和金融如何协同运作。

APPLICATION

LLM调用中的角色详解

为了释放LLMs的全部潜力，特别是在多轮或工具增强的设置中，模型必须了解谁在说话，他们扮演的角色是什么，以及对话中已经发生了什么。这就是角色的作用。

MODEL-ZOO

SAM 3D：从单张图像抽取3D模型

Meta 的新 SAM 3D 不再仅仅了解照片中的内容。它了解事物在 3D 空间中的位置。单击照片中的咖啡杯，它会返回完整的 3D 网格。指向一个人，你就可以得到他们完整的身体姿势和形状。

APPLICATION

MAKER：不会出错的AI系统

即使是最好的AI，在长期项目上也表现得很糟糕。MAKER提供了一个完全不同的解决方案。

APPLICATION

AI编程：如何提供库文档

如果你正在使用AI编码助手或代理，它们的有用程度将取决于它们对您使用的库的了解程度。

APPLICATION

LLM驱动的CAD：应用与挑战

将语言模型整合到传统的CAD流程中是否真的“轻而易举”，还是我们应该考虑可能阻碍采用的系统性挑战？让我们一起探索。

LIBRARY

TensorTrade 强化学习算法交易包

TensorTrade是一个基于强化学习的算法交易Python库，它是开源的，高度灵活，并且可以与我们常用的Python工具无缝协作

LIBRARY

quick_sentiments 情感分析包

quick_sentiments在“后台”处理了文本清理、向量化和机器学习的所有复杂和耗时的任务，让你专注于结果，而不是样板代码。

APPLICATION

代码模式：使用MCP的更好方法

MCP是为工具调用设计的，但它实际上不一定要以这种方式使用。

APPLICATION

MCP工具：直接调用 vs. 代码执行

直接调用工具会消耗每个定义和结果的上下文信息。AI代理通过编写代码来调用MCP工具，可以更好地扩展。