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
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”；
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
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
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
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
arXiv:2601.11007 AdaMARP: An Adaptive Multi-Agent Interaction Framework for Ge
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 **《
在分布式系统里，复制（Replication）和分片（Sharding）几乎是绕不开的两大命题。 单机的 CPU、内存、磁盘、带宽都存在上限，当并发与数据量增
论文：SimpleMem: Efficient Lifelong Memory for LLM Agents arXiv: 2601.02553（2026-