ai agent

【Agent Harness】Gliding Horse 本体论系统设计：给 AI Agent 装上“语义大脑”摘要：本文深入解析 Gliding Horse（流马）AI Agent 操作系统的本体论系统设计。通过 SHACL 形状约束、OWL 推理引擎、本体对齐与漂移检测，为 Agent 产出的每一条 JSON-LD 数据赋予语义一致性和可追溯性。基于 Rust 和 Oxigraph 图存储实现零拷贝推理，让 AI Agent 从"会执行指令"升级为"能理解并演化知识"的认知操作系统。

【Agent Harness】为什么我把 JSON‑LD “编译成 DAG” 后，整个 Agent 平台立刻聪明了我写的 Gliding Horse（流马）是一个用 Rust 从零构建的 AI Agent 操作系统。如果你问我：整个系统里最“魔法”的一个设计是什么？我会毫不犹豫地回答：把 JSON‑LD 直接编译成 DAG。

折腾半小时，终于让AI 能直接帮我写飞书文档了前阵子在排查公司内网一个 Java 服务的问题，日志刷了一屏幕。问题定位到了，方案也理清了，于是习惯性对 AI 说："帮我把分析结果整理一下，写成一个飞书文档。"

【GitHub】CL4R1T4S：AI 系统提示词的透明革命深度解析 GitHub 上近 4 万 Star 的 AI 系统提示词泄露项目——它如何撕开 AI 行为的"黑箱"，以及这对整个 AI 行业意味着什么。

如何批量抓取 TikTok 数据而不被封锁？完整指南TikTok以两个阶段渲染其网页。初始HTML承载一个大JSON岛——一个 <script id="__UNIVERSAL_DATA_FOR_REHYDRATION__"> 大块——其中包含了用户资料、其统计信息以及首个帖子。此后的所有内容（在滚动时更多帖子、评论线程、搜索页面）在页面引导后通过XHR获取。因此，抓取TikTok需要两种技术：读取补充JSON以获取已有内容，捕获XHR响应以加载按需内容。

Mininglamp_2718

Vibe Coding 之后是 Vibe Operating？Vibe Coding 这个词从 Andrej Karpathy 嘴里说出来之后，几个月内就变成了开发者圈子里的日常用语；用自然语言描述需求、让 AI 生成代码、跑起来看效果——整个编程工作流正在被重新定义。但有一件事在 Vibe Coding 的叙事里被跳过了：开发者每天的工作不只是写代码，还有大量时间花在操作各种桌面应用上，从 Figma 里复制设计规范、到 Jira 里更新任务状态、到 Slack 里同步进度、再到各种内部系统里翻数据。这些操作不涉及代码，却占据了工作日的相当比例。

带娃的IT创业者

GitHub 热门: coleam00/Archon —— 当 AI Agent 学会自我进化在当下的 AI 开发领域，“Agent”（智能体）无疑是最高频的关键词。然而，许多开发者在实际构建 Agent 应用时，往往会陷入一个困境：我们花费大量精力编排 Prompt、设计工具调用链，最终得到的却是一个行为模式固化、难以应对复杂变化的"脚本执行器"。一旦业务逻辑发生微小的偏移，或者数据结构出现新的变体，我们往往需要重新修改代码。

【GitHub】 Headroom 深度解析：AI Agent 上下文压缩层的完整技术拆解一句话总结：Headroom 是一个在 LLM 收到内容之前自动压缩上下文的本地优先压缩层，通过 6 种自适应算法配合可逆缓存（CCR）机制，实现 60-95% 的 Token 削减，且回答质量零损失。

第二篇：不碰模型，意图识别快 9 倍 —— P0→P1→P2 流水线设计优化的最高境界不是换更强的模型，而是让该做的事情不需要模型来做。全量 LLM function calling：每次把所有 tool schema（5 个工具 × ~150 字描述）传给 Qwen，LLM 读完所有描述再抉择。我们用 qwen-turbo 实测了 500 次（50 条 query × 10 repeats）：p50=477ms、p95=672ms、p99=1200ms。延迟分解：input token 编码（~730 tokens） + LLM 推理 + output token 解码（~

跟风舞烟学编程

Hermes Agent 从入门到企业实战-01：Hermes-Agent核心架构🎯 本章目标：读完这一章，你就能跟别人讲清楚 Hermes Agent 是个什么东西，它凭什么 2 个月涨到 5 万星。

第六篇：本地模型选型 —— 4 个模型 × 2 种设备 × 2 项任务的全量对比选模型不是找"最强"的那个，是找"刚好够用且最省资源"的那个。两个延迟敏感路径：工具选择要求 <100ms，信息提取要求 <500ms。云端 API 的 p99 延迟抖动（500ms+）不可接受。另外本地模型零 API 成本——每天 1 万次工具选择，不用模型 = 每年省 ¥2,800-¥8,500。

第五篇：Reranker 与 BM25 —— 在精排提升与降级可靠性之间划一条线Reranker 的价值被普遍高估，BM25 的兜底能力被普遍低估——两者都需要你自己的数据来验证。学术界和社区普遍认为 Reranker 显著提升 Faithfulness（+17%），但在我们的 8 条测试用例上只加了 0.7%。

第十篇：纠纷协调与可观测性 —— 多Agent协作的全链路追踪当三个 Agent（买家、卖家、平台）各有各的立场，你需要的不只是 LLM，还有全链路可观测。买家投诉"收到货坏了"，卖家说"发货时是好的"。单一 Agent 会有偏见。

第三篇：RAG 的三个盲区 —— 混合检索 + 图增强的渐进式进化RAG 不是一个技术选型问题，而是一个渐进式的问题发现过程——你只有上线后被用户怼了，才知道自己漏了什么。

第八篇：人在回路与内容安全 —— 当 AI 说“让我请示一下“Human-in-the-loop 看起来只是一个"审批按钮"，背后是一整套状态机、超时策略和框架 hack。

第一篇：客服Agent 四层架构 —— 一个多Agent客服系统的设计全貌好的架构不是设计出来的，是被问题逼出来的。本文以 5 个关键的架构决策为主线，串起整个系统的设计。电商客服 Agent 和通用RAG问答系统看起来很像——都是一个对话框。大多数团队的自然起步是搭一个标准 RAG 问答系统：文档切片 → 向量嵌入 → 语义检索 → LLM 生成。但在客服场景下，这个通用RAG问答系统方案有四个致命缺陷：

第四篇：HNSW 参数调优 —— efSearch 从默认 50 降到 32 的完整消融实验默认参数是给"通用场景"的，你的场景需要自己的数据说话。Faiss HNSW 和 Milvus HNSW有本质差异，以下两点是 Milvus 特有、Faiss 不存在的：

第九篇：降级矩阵与 Token 限流 —— 生产系统的八道防线生产系统不是在"一切正常"时体现价值的，是在"一切都在崩"的时候。如第一篇决策5所述的最坏情况推演（Qwen API 超时 + Milvus OOM + Redis 断连 + BGE Embedding 挂了 + NebulaGraph 不可用），系统能退化到"Qwen2.5-1.5B-Instruct 本地 GPU 推理，无 RAG 增强直接回答"。不是完美的回答，但不是 500。基于这个推演，我们为此设计了以下八维降级矩阵。

深色風信子

SpringBoot 集成 AgentScope Java

星野云联AIoT技术洞察

AG-UI 在 IoT 控制台里怎么落地：设备状态、命令确认与人机协同AG-UI 落到 IoT 控制台时，最重要的不是让 Agent 在页面上“会聊天”，而是让设备状态、建议动作、命令确认、执行结果和失败回滚都能被用户看见和打断。如果一个 IoT 控制台只把 AG-UI 当作聊天消息流，Agent 可能会解释得很好，但真正危险的设备动作仍然缺少状态边界、人工确认和审计证据。