8B 本地模型工具调用从个位数到 84%：Forge 这层护栏怎么做到的
Forge 是一个自托管 LLM 工具调用的可靠性层，通过代理服务器、WorkflowRunner 或中间件三种方式，显著提升本地模型（如 8B 模型从个位数提升至 84%）和云端模型（如 Sonnet 4.6 从 85% 提升至 98%）的工具调用准确率。本文介绍了 Forge 的安装方法、后端配置以及快速上手示例。
一个环境变量切换六个 Iceberg 目录：MCP 服务器实测与踩坑记录
本文提供了一个逐步指南，教你如何设置一个 MCP 服务器来连接 Apache Iceberg 表，并依次测试七种 Iceberg REST 目录。服务器提供四个只读工具，通过一个环境变量决定读取哪个目录。
Apache Burr：把状态管理从 AI 框架里拆出来，能解决生产环境的痛吗
Apache Burr 是一个用于构建有状态 AI 应用的框架，提供状态管理和调试工具。本文档介绍了其核心概念、快速入门和参考资源，帮助开发者高效构建复杂的 AI 应用。
RAG 检索优化实战：12 个策略里最容易被忽略的其实是分块大小
这篇文章系统讲解了RAG（检索增强生成）的基本流程和12个优化策略，涵盖数据清洗、分块处理、嵌入模型选择、元数据、多级索引、查询转换、检索参数、高级检索策略、重排模型和提示词工程。适合想提升RAG系统性能的开发者阅读。
Qurious：用 Convex 和 Vercel AI SDK 重做学术搜索的开源尝试
Qurious 是一个开源的 AI 科研助手，帮助研究人员、学生快速发现、理解和组织科学文献。它提供语义搜索、论文对话、AI 摘要等功能，技术栈基于 Next.js、Convex 和 Vercel AI SDK，可本地部署。
上下文工程落地实战：为什么塞满窗口反而让 Agent 变笨
上下文工程（Context Engineering）关注的是每次调用 LLM 之前，窗口里该放哪些信息、用什么结构放、什么时候放、什么时候撤。它和 Prompt Engineering 的区别在于：后者关心指令怎么写，前者关心调用前的信息组装。文章系统讲解了上下文失效的原因、评估指标、运行时加载策略、长任务上下文管理，以及工程落地的五个模块和原则。
上下文工程只是子集：Harness Engineering 才是 Agent 稳定干活的关键
这篇文章系统介绍了上下文工程和Harness Engineering两个核心概念。上下文工程关注如何在有限的上下文窗口中，选择、组织并注入与任务高度相关的信息，让大模型做出最佳推理。Harness Engineering则更进一步，为Agent搭建完整的运行空间，设计能力结构、协作机制和反馈闭环，让它在特定领域稳定产出高质量结果。两者是子集与超集的关系，上下文工程是设计原则，Harness Engineering是构建目标。
上下文窗口越大越好？Agent 稳定用上资料的真正门槛
上下文窗口能装更多资料，不代表 Agent 会稳定利用这些资料。Context Engineering 处理的是调用前的信息组装：哪些规则进入消息、哪些证据按需检索、哪些工具可见、历史何时压缩。本文从原理、失效原因、评估指标到运行时加载策略和长任务处理，系统讲解如何让 Agent 真正用好上下文。
Gemini 模型家族怎么选：科研场景下的型号分工与避坑提醒
这篇文章系统梳理了 Gemini 模型家族在 2026 年 9 月的型号格局，重点面向科研人员给出选型建议。核心观点是：以 Gemini 3.8 Flash 作为通用起点，再根据推理、图片生成、实时语音或向量检索等具体任务切换到对应模型。文章还提供了 API 接入示例、参数对比表和科研场景提示词模板。
72篇文章