什么是 AI（人工智能）？
从学术定义到生活大白话，带你理清 AI、机器学习（ML）与深度学习（DL）的核心概念与分层关系。
AI
阅读全文Basics
基础认知
用最少但关键的信息，把智能体、RAG、多智能体和核心术语的认知框架建立起来。
什么是 AI 智能体（Agent）？从旁观者变成行动派
大模型（LLM）与智能体（Agent）的核心区别在哪里？结合感知、认知与行动框架，全面解析智能体的本质与能力飞跃。
AI Agent
阅读全文什么是 Agentic RAG？让检索从被动变主动的下一代技术
传统 RAG 只能被动等待问题再检索，而 Agentic RAG 像一个会思考的图书管理员——它能理解你的真实意图，主动规划检索策略，把复杂问题拆成多个步骤来搞定。
RAG
阅读全文什么是 RAG？解决大模型幻觉与私域数据困境
RAG（检索增强生成）是如何在不重新训练大模型的前提下，让 AI 精确掌握企业内部知识体系的？
RAG
阅读全文RAG 听起来很美，但实践起来有五大坎——来看看怎么跨过去
检索增强生成（RAG）已经是 AI 应用的标准配置，但真正做过的工程师都知道：查询对不上、数据分散、token 不够用、响应慢、安全难管——这五个坑，几乎每个 RAG 项目都会踩。这篇文章把它们拆开聊清楚。
RAG
阅读全文单智能体 vs 多智能体 (Multi-Agent System) 架构对比
为什么当我们有了强大的万能大模型，还需要费力构建分离的多智能体系统以相互协同合作？
单智能体
阅读全文智能体系统核心术语：Prompt, Memory, Tool, Workflow 与 RAG
理清构建多智能体应用时无法绕开的五大核心工程组件，明确其在架构体系中的真实边界与作用。
Prompt
阅读全文多智能体协作的 RAG：多个小助手怎么一起帮你找答案
一个智能体找资料太慢、答不准？Multi-Agent RAG 让多个专业小助手分工合作，并行检索、汇总答案——像一支配合默契的调研团队。
RAG
阅读全文大语言模型：智能体的「大脑」是如何炼成的
从 GPT-1 到 GPT-4 的演进揭示了大模型能力的本质，也回答了为什么 LLM 能成为 AI Agent 的核心。从 Scaling Law 到 RLHF，从 CoT 到工具使用，一文拆解支撑智能体决策的底层逻辑。
LLM
阅读全文规划与推理：CoT、ReAct、ToT 三大推理框架深入解析
为什么大模型直接作答准确率低下？剖析 Chain-of-Thought（思维链）、ReAct（推理与行动）和 Tree-of-Thoughts（思维树）背后的核心算法思想。
推理
阅读全文Agent 评估基准（Benchmarks）：测试智能体能力的主流体系
大模型可以靠选择题测试，但如何用 GAIA、WebArena 科学严谨地评估在一个开放复杂世界中游走的智能体系统能力？
评估
阅读全文Agentic RAG 的三大坑：Retrieval Thrash、Tool Storm 和 Context Bloat
你以为给 RAG 装上了大脑，它就能自动变强？错了——Agentic RAG 有它自己独特的翻车方式。这篇文章用生活比喻帮你彻底搞懂三种最常见的失败模式，以及怎么提前识别和规避。
Agentic RAG
阅读全文Agentic RAG 工作流：LLM 自己做主，不再死板执行
传统 RAG 是固定流水线，Agentic RAG 则给大模型装上了「大脑」——它会自己决定查什么、怎么查、查几次。本文用生活化比喻帮你彻底理解这种新一代检索增强生成架构。
Agentic RAG
阅读全文RAG 还是 Agentic RAG？一文读懂它们的本质区别
传统 RAG 像一个按菜谱做菜的厨师，你给什么食材他就做什么菜，不会变通。而 Agentic RAG 像一个会思考的大厨，会品尝、调整、甚至临时去菜市场补买调料。同样是 RAG，它们解决问题的方式有天壤之别。
RAG
阅读全文