Structurally Aligned Subtask-Level Memory for Software Engineering Agents Kangning Shen, Jingyuan Zhang, Chenxi Sun et al. arXiv:2602.21611 (2026) 🔗 原论文地址：https://arxiv.org/abs/2602.21611 ✨ 一句话总结 这篇论文解决的是： ❌ 过去：AI 只会“按整道题记经验”，容易误用 ...

1. LLM 最简原理：它在做什么？ LLM（Large Language Model）本质上做的是一件事： 给定上下文，预测下一个 token 是什么。 它不断生成 token 并拼接成文本，因此看起来能“对话”“写作”“编程”。底层关键架构是 Transformer，依靠 Attention（注意力机制） 在上下文里动态关注关键信息。 ![](https://images.fjhdream.cn/images/fa5asyp8mk4...

Agent 并不是突然出现的，它更像是 Prompt Engineering 一路“堆能力”的自然结果。在 Agent 之前，我们主要靠提示词让 LLM 更稳定地完成复杂任务，演进大致经历以下阶段： 0）Role：最早期的“角色设定” 最经典、最早期的提示方式是 Role Prompt： “你是一个资深产品经理 / 你是一个资深 SRE / 你是一个代码审查专家……” 它的作用是给模型一个行为边界与输出风格，让回答更贴合领域语境，例如： 语气更专业 输出结构更像行业习惯 更倾向于该角色的关注点（风险、边界、指标等） **局限...

在跨境电商搜索里，多语言相关性一直是个又重要又难搞的问题。 英语模型强，不代表它懂泰语； 懂泰语的模型，可能又看不懂东南亚常见的“混合语言 query”； 而现实世界的用户，偏偏就爱这么搜。 最近一篇来自 Lazada 的论文给了一个非常工程化、可落地的答案： 与其训练一个越来越大的“万能模型”，不如让多个各有所长的大模型协同工作。 这篇文章，我想用尽量少的公式、尽量多的直觉，讲清楚他们到底做了什么，以及为什么这套方案值得做搜索/推荐/广告的团队认真看一眼。 一、...

一句话总结：MixLM 让大模型参与搜索排序不再“贵到用不起”，通过把长文本离线压缩成 embedding token，在线只让 Ranker 看 query + 少量向量，就能把吞吐提升 10×～75×，还保持接近全文本排序的效果。 论文原文 1. 背景：为什么“用 LLM 排序”这么难上线？ 很多人做过类似尝试： 把 query + 候选 item（比如职位描述、商品详情、文章正文）拼起来 丢给 LLM 问：“这个 item 和 query 相关吗？” ...

你有没有发现： 大模型（LLM）很强，但做 Agent 任务时经常“踩坑反复踩”、今天学会明天忘？ 那有没有一种办法，不训练模型参数，只靠“写更好的上下文”，就能让它持续变聪明？ \\> 这正是 ACE（Agentic Context Engineering）要解决的问题。 1. 背景：为什么“上下文工程”越来越重要？ 现在很多企业/团队用大模型做： 自动化 Age...

最近读了一篇论文：《Monadic Context Engineering》，名字听起来很学术，但核心思想其实非常工程化。 一句话总结： 用一种“标准化流水线”的方式，把 AI Agent 的状态、报错、异步、并发全部统一管理起来，让系统更稳定、更好维护。 这篇文章用最直白的方式，讲清楚它到底在解决什么问题，以及对我们工程师有什么用。 一、现在的 AI Agent 有什么问题？ 如果你写过 Agent 系统，大概率踩过这些坑： 1. 状态乱飞 `python state = update(state) state = update_again(st...

今天来系统梳理一下分布式系统中另一个核心命题：分片（Sharding）。 在分布式系统里，复制解决的是可用性和读扩展的问题，而当数据规模或写入吞吐量已经无法由单机承载时，分片几乎是不可回避的选择。 一、为什么需要分片？ 我们进行分片最主要的原因是 可伸缩性（Scalability）。 通过分片： 可以把数据分散到多台机器上 把读写负载拆分并行处理 通过 水平扩展（Scale Out） 的方式支撑更大的数据量和更高的吞吐 但分片并不是免费的午餐，它也带来了一系列新的复杂性。 分...

arXiv:2601.11007 AdaMARP: An Adaptive Multi-Agent Interaction Framework for General Immersive Role-Playing AI Interpretation 近两年，LLM 角色扮演（Role-Playing）已经从「好玩」逐渐走向「可用」：AI NPC、互动小说、虚拟陪伴、AI DM…… 但如果你真的做过相关系统，就会发现一个核心问题始终没解决： **模型会说话，但不会...

当我们谈论「长期记忆的 LLM Agent」时，真正缺的不是更大的上下文窗口，而是一套会组织、会修正、会演化的记忆结构。 最近读到一篇很有代表性的论文 《HiMem: Hierarchical Long-Term Memory for LLM Long-Horizon Agents》（arXiv:2601.06377），它并没有试图再“发明一个新模块”，而是从认知科学 + 工程实现的角度，系统性地回答了一个被反复忽略的问题： 一个 LLM Agent，应该“怎么记忆”，而不仅是“记多少”？ 这篇文章尝试用工程视角拆解 HiMem 的核心设计，并讨论...