#agent

用 Python 从零搭一套 RAG 系统：40 行跑通，再谈优化大模型接个 API 就能聊天，但真到业务里你会发现一个尴尬的事实：它很聪明，却对你公司的资料一无所知。员工手册、产品文档、项目复盘，它统统没见过。你问它，它不会说 "我不知道"，而是开始一本正经地编。

MCP 退潮：为什么一线工程团队开始转向 CLI-First 的 Agent 工具模式2024 年底，MCP（Model Context Protocol）横空出世时，被冠以 "AI 世界的 USB‑C" 之名。统一工具调用、一次实现处处可用、终结 N×M 的适配噩梦 —— 这些承诺确实击中过痛点。

大模型 Temperature 和 Top-p 到底有什么区别？一篇讲透原理与调参关键词：大模型 Temperature、Top-p（核采样）、Softmax、采样参数、LLM 调参适合读者：调用过大模型 API、但说不清 temperature 和 top_p 该怎么设的开发者

从 "调模型" 到 "搭系统"：Harness Engineering 凭什么成为 2026 年 AI 圈最热的新词2026 年，AI 工程圈又冒出一个新名词 ——Harness Engineering（驾驭工程）。它出现得密集而迅猛，很快就遍布技术博客、开源项目和一线团队的复盘文章。

把 AI Agent 养在自己电脑上：从本地部署到远程接管的一份完整思路一、为什么越来越多人把 Agent 搬回自己电脑这两年 AI Agent 的形态发生了实质变化：它不再只是"问一句、答一句"的聊天框，而是能自主规划步骤、连续调用工具、读写本地文件、执行终端命令的执行体。一个代码重构任务跑半小时、一批文档整理跑一晚上，已经是很日常的使用方式。任务形态变了，部署位置的问题就跟着来了。云端 API 当然方便，但长任务高频调用时费用持续累积，而且所有内容都要经过服务商。于是"把 Agent 放在自己电脑上"重新回到开发者视野——数据不出本机、开源模型免费随便跑、想接什么工具

CLI 还是 MCP？一场关于 Agent 工具接口的再思考MCP（Model Context Protocol）曾被 Anthropic 在 2024 年底推出时寄望为 Agent 连接一切的「万能接口」，一度被称为 AI 界的「Type-C 接口」，月下载量冲到 9700 万次。但仅仅一年多后，这个曾经被誉为「行业希望」的协议，正在被越来越多一线团队冷落。

从 LLM 到 Agent Skill：9 个底层概念，一次理清整个 AI 技术栈AI 圈像个永远在造新词的工厂。前脚 LLM，后脚 token、context、prompt、MCP、Agent、Agent Skill…… 词儿你都眼熟，真要挨个说清确切含义，很多人就卡壳了。

我是有底线的