围绕 AI 编程、智能体运行时、沙箱、爬虫、无头浏览器、上下文数据库和代码知识图谱,梳理 12 个开源项目的核心能力、适用场景和选型思路。
企业 AI 失败往往不是模型太弱,而是上下文碎片化、无治理、不能安全回写。围绕统一上下文层(UCL)讲清上下文工程、上下文图谱、智能体治理、受控激活和运行时学习的完整架构。
AI Agent 只靠静态记忆文件很容易保存过时信息。这里讲解 Moltbot 的三层动态记忆架构:知识图谱、每日笔记和隐性知识,并说明如何通过定时事实提取、每周综合整理和 Supermemory 集成,让 Agent 的上下文长期保持可读、可搜索、可更新。
GraphRAG 把文档切块后抽取实体、关系和声明,构建知识图并用社区检测生成分层摘要,再通过 Map-Reduce 回答面向整个语料库的问题。内容涵盖简单 RAG 的局限、索引流程、查询流程、评估结果和落地注意事项。
RAG 不只是向量检索加大模型生成。一个工程级 RAG 系统需要同时处理语义文档、结构化表格、数据库和知识图谱,并通过 Embedding、Reranker、Text2SQL 与 GraphRAG 协同完成复杂问答。
RAG 系统要处理的不只是向量召回,还包括重排序、结构化数据查询、表格解析和复杂图推理。围绕语义检索、Text2SQL 和 GraphRAG 三条主线,拆解一套可落地 RAG 架构的训练方法、检索流程和工程取舍。