AI工程

SkillAudit揭秘：无真值反馈的Agent技能自进化，任务胜率暴涨17%

大模型Agent在应对专业领域的长周期任务时，往往需要依赖提前编写好的“技能”（Skills）——即结构化的操作指南与代码包。然而，真实业务环境是动态的。随着API接口的废弃、边缘场景的涌现，原本完美的技能很快就会退化甚至帮倒忙。让Agent在实战中自我更新技能，是业界公认的解法。

告别“阅后即焚”：435篇文献揭秘Agent持久化状态治理机制

现在的智能助手越来越懂你，但大多数仍像是在上演现实版《初恋50次》——一旦单次任务结束，上下文清空，所有的用户偏好和任务教训瞬间清零。这种“单次情景”（Episodic）模式确实安全，因为过去是无关紧要的。然而，为了让真正成为得力助手，它们必然要走向“永远在线”的常驻模式。

告别“单机时代”：首篇AI Agent通信协议双维分类指南

当无数大语言模型驱动的Agent在企业客服、代码生成和数据分析领域遍地开花时，一个致命的系统性瓶颈已悄然浮现。这些Agent虽然具备强大的推理与执行能力，但它们大多是彻头彻尾的“语言孤岛”。不同厂商、不同架构的Agent各自为战，无法顺畅调用外部数据，更难以实现多智能体间的无缝协作。

Efficient Memory Management for Large Language Model Serving with PagedAttention

本文提出 PagedAttention，一种受操作系统虚拟内存和分页机制启发的注意力算法，通过将键值缓存（KV Cache）划分为非连续的内存块进行管理，解决了大型语言模型（LLM）服务中因内存碎片化和无法共享而导致的效率低下问题，从而在 vLLM 系统中实现了 2-4 倍的吞吐量提升。