大模型技术
未读
AI Agent 规模化落地核心：提示词缓存工程化优化实战指南
在 Agent 工程化开发领域，业内流传着缓存支配一切（Cache Rules Everything Around Me）的工程准则，这一准则在长周期运行的 Agent 产品中体现得尤为关键，Claude Code 便是典型案例。对于 Claude Code 这类需要持续对话、多轮交互、复杂任务执行
大模型技术
未读
AI 代理的上下文工程
上下文工程是围绕智能体（Agent）决策需求，系统性构建、筛选、压缩、隔离与更新输入上下文的工程化实践，核心是建立可复用、可度量、可持续的信息供给流程，让大模型每次调用都能获得精准、可信的信息集合，区别于静态的提示工程，更强调动态信息治理：明确给什么、何时给、给到何种粒度、如何保持一致。智能体的最终效果，由模型能力与上下文信息供应链共同决定。
大模型技术
未读
AI Agent 动作空间与工具设计工程实践
在 Agent 工程化落地过程中，动作空间（Action Space）设计是最具挑战性的环节之一。动作空间决定了智能体能够调用哪些能力、以何种方式与环境交互、如何完成复杂任务，直接影响 Agent 的可靠性、执行效率与适用范围。Claude 体系通过 Tool Calling 机制实现智能体交互，并
大模型技术
未读
从线性到树状：ToT 提示工程技术演进与复杂问题解决实践
思维树（Tree of Thoughts，简称 ToT）是新一代的高级提示词工程技术，也是大语言模型推理框架的重要演进形态，其核心价值在于突破了传统线性推理的局限，让 AI 具备类似人类的多路径探索、前瞻性规划与回溯调整能力，实现了从单一思考步骤到树状决策体系的升级。 该技术的核心特征是让 AI 在