归档

2026 年 04 月

RAG 系统做文档切割时,固定长度分块容易把完整语义拆散,导致向量检索召回失败。这里系统讲解重叠切割、语义边界切割、句子窗口检索、父子切割、命题化切割和 Contextual Retrieval 的原理、实现方式与选型取舍。
RAG 文档切割如果把完整语义拆散,向量检索可能召回不到真正答案。围绕重叠切割、语义边界切割、句子窗口检索、父子切割、命题化切割和 Contextual Retrieval,讲清语义截断的成因、解决思路和工程取舍。
横纵分析法是一套适合配合 Deep Research 使用的研究框架:纵向梳理对象的发展脉络,横向比较它在当下赛道里的位置,再把两条线交叉形成判断。适合快速研究产品、公司、技术概念和行业人物。
Hermes Agent 是一个可自托管的开源 Agent,核心能力是把任务执行经验沉淀成可复用 Skills,并在后续任务中持续加载和改进。围绕它的学习闭环、持久化记忆、定时任务、多代理并行机制,以及 MiniMax M2.7 这类底层模型在 Agent 场景中的作用进行拆解。
OpenClaw 的核心价值不只是个人 AI 助理形态,而是它在提示词动态组装、上下文压缩、分层记忆、工具约束和安全护栏上的工程设计。围绕 Prompt、Context、Harness 三个维度,可以拆出一套可迁移到 Agent 系统里的架构方法。
OpenClaw 和 Hermes Agent 都属于通用 Agent 系统,但架构重心不同:OpenClaw 更偏本地优先的 Gateway 控制面,Hermes 更偏会沉淀经验的学习型 Runtime。这里从系统分层、Skills、Memory、安全、安装和迁移几个角度讲清两者的差异与选型思路。
大语言模型本身没有运行时状态,AI Agent 必须在模型外设计记忆系统。围绕 OpenClaw、Claude Code 和 Hermes Agent,拆解文件记忆、上下文工程、情景记忆三种架构路线的机制、适用场景和代价。
SkillClaw 是阿里 DreamX 团队开源的 Agent 技能进化框架。它把多用户交互轨迹沉淀为共享证据,在后台自动修正或创建技能,并通过夜间验证把更好的技能同步给所有 Agent。
Hermes Agent 是 Nous Research 推出的开源 AI Agent 框架,核心特点是能在任务执行后自动沉淀经验。这里从 Learning Loop、四层记忆系统、多模型编排、消息网关和上手成本几个角度,讲清它和 OpenClaw 这类 Agent 工具的关键差异。
办公 Agent 的瓶颈已经从“能不能生成内容”转向“能不能把结果交付到真实工作流”。围绕 QClaw V2 的 Connector 和 Multi-Agent 能力,讲清 AI 办公自动化如何从对话框输出走向文档、邮件、会议和多角色协作。