AI

Reflection模式为智能体增加了一个**自我评估和迭代改进的层次**，使其能够对其自身的工作、输出或内部状态进行批判性审查，并利用评估结果来提升性能或优化响应。

ReAct设计模式将智能体的行为结构化为**显式的推理循环**，将思维链（CoT）推理与智能体的工具交互结合起来，让智能体在思考和行动之间交替进行，从而实现复杂、自适应的问题求解。

深入解析 Cursor 2.0 的重大更新，包括 Composer 模型、多代理并行、多模型同时处理同一任务、全新界面设计等革命性功能

Google NotebookLM 是Google开发的一种用于处理和生成笔记本内容的基于大型语言模型的笔记类（知识库类）网页应用。它能够理解和生成结构化的笔记本数据，支持代码、文本和图形元素的混合处理。本文主要分享我的个人使用心得。

本文介绍了DeepSeek-OCR，一种革命性的AI模型，能够将长文本处理效率提升数十倍，从而实现对超长文档的快速处理。

Jason wei在各个场合的观点

传统AI训练像是把人类所有的知识都强行灌输AI，而Meta的最新论文《Agent Learning via Early Experience》为我们展示了一条训练AI智能体的新路径: 可扩展、无需奖励的实用范式，通过将智能体自身的行为和结果转化为强大的监督信号，显著提升了AI的性能、数据效率和泛化能力。

这里将收集Context Engineering相关的重要文献，具体解读将在其他博客展开。

该论文介绍了一个名为 ACE(Agentic Context Engineering，代理上下文工程) 的框架，该框架旨在通过演化上下文而非微调模型权重的方式，实现大型语言模型（LLMs）的自我改进。ACE将上下文视为不断累积、提炼和组织策略的 “演化剧本”，从而克服了现有上下文适应方法中存在的简洁性偏差和上下文崩溃等主要限制。通过使用 生成器、反射器和策展器 这三个代理组件，ACE实现了增量更新和“增长与提炼”机制，以保持详细的领域知识并提高可扩展性。实验结果表明，ACE在代理基准测试和金融等领域特定任务中显著优于现有基线方法，同时还能大幅降低适应的延迟和成本。

RPG：从“对话”到“蓝图”，用图谱指导AI思考