暂无搜索历史
回头看RAG这几年,表面上是一路升级打怪:从Naive到Advanced,再到Modular、Agentic,名字一个比一个高级,论文一篇比一篇厚。
Addy Osmani最近写了篇文章,把这个盲区戳得很准:一个coding agent,是模型加上你围绕它搭建的一切。
但真正在生产环境里用过的人都知道,能处理100万token和能在100万token里稳定干活,完全是两回事。
先问个问题:为什么 AI 不能直接去查数据库、调用工具?让 Agent 直接跟数据库、API 这些底层能力对接,效率不是更高吗?
AI Coding 的效率神话,建立在一个隐含假设上:需求边界清楚、依赖关系简单、失败了大不了重来。
这种问法本身就反映了思维方式的问题——他们在试图找一个正确答案,然后 All in 这个答案。
它不是发生在操作层面,而是发生在系统层面:人不再直接和Agent对话,而是设计一个系统,让系统来调度Agent。
你写了一条Prompt:作为资深后端工程师,请review这段Python代码,遵循PEP8规范,检查潜在bug。
去年他想做个报销软件,搁以前得先找技术合伙人,或者砸钱外包,折腾半年才能有个DEMO。
把这三个项目放到2025年底到2026年的市场背景里看,会更容易理解它们为什么会被不断被同时提起。
开发者不用再为每个AI模型、每个工具组合写专门的适配代码,只需要实现一次MCP服务器,就能让所有支持MCP的AI助手调用。
2026年1月,奥地利开发者Peter Steinberger在社交媒体上发了一条不起眼的动态:我做了个开源项目,能让你的AI助手直接操控电脑。
如果你研究过 OpenClaw 的架构,会发现它本质上是一个 Gateway-First 的项目。
但从工程角度看,这套机制的本质是把 SKILL.md 里的提示词指令压缩进每一次 session 的 context window。
简单来说,它解决的是重复造轮子的问题——把语音识别、自然语言处理、计算机视觉这些通用能力封装成可复用的组件,企业不用每个业务线都养一个算法团队。
市面上的ChatBI,大多数走的是翻译路线——你问它问题,它把自然语言转换成SQL去查数据库。
你跟ChatGPT聊完一场,第二天它完全不知道你是谁。你说上次那个问题,它完全茫然。
德国叫"Material_Code",国内叫"物料编号",MES里又叫"零件ID"。光统一这事儿,数据团队折腾了半年,80%的时间都搭在清洗数据上。
要理解Palantir为什么能在这个AI时代脱颖而出,只需要抓住一个核心关键词:本体论(Ontology)。
一位在数据领域深耕多年的创业者告诉我,早期AI在数据工程领域的切入点其实很务实——那些原本需要大量人工的数据治理工作,恰恰是大模型最擅长的地方。
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市