acf1sh.top[Agent 与 RAG]≈ 11 分钟[Agent 与 RAG]≈ 5 分钟[Agent 与 RAG]≈ 10 分钟[Agent 与 RAG]≈ 4 分钟[Agent 与 RAG]≈ 6 分钟[Agent 与 RAG]≈ 6 分钟
不生成文本的模型有什么用：读 TypeSafe 的 Jev
Jev 不写字，只做判断：理解三原语与校准置信度，以及如何把这类判断接进 Agent 生产系统。
Agent 平台为什么要保存 Trace 和 Evidence：从一次检索到受控 Action
以异常订单复核为例，区分 Context、State、Memory、Trace、Evidence 与 Action，让 Agent 的回答和动作可以检查。
仰望星空：从 Databricks、Snowflake 与 Palantir 看数据平台走向 Agent
从 Lakehouse、Semantic View 到 Ontology，记录一个 Java 后端如何理解数据、语义、权限与业务行动正在汇成同一条平台主线。
企业 RAG 数据怎样进入 Milvus：文档版本、切分、索引与权限
从一份制度文档更新出发，理解原文、解析结果、Chunk、Embedding、Milvus Collection 和引用证据怎样保持关联。
MCP：协议原理、MCPHub 管理与自建示例
MCP（Model Context Protocol）从 2024 年下半年开始火，到现在 Claude / Cursor / VSCode / Cherry Studio 几乎全都接入。但很多人对它的理解还停留在"装个 MCP 就能让 AI 用工具"——其实它的设计非常有意思。
Claude Code、Codex 与 Gemini CLI：安装、配置与使用
AI 编程的主战场已经从聊天界面转移到 CLI——Claude Code、OpenAI Codex CLI、Google Gemini CLI 三家产品几乎同时把"在命令行里跑 Agent + 改代码 + 跑测试"做成了主流玩法。