AGI 之路：理论与实践

ChatGPT 是一种基于深度学习的自然语言处理技术，可以理解和生成人类语言。与其他自然语言处理技术不同，ChatGPT可以自我训练和生成大量的文本数据。这使得ChatGPT成为了一个强大的工具，在多个领域都被广泛应用。 如果可以通过与ChatGPT对话的方式，自动提取数据和可视化分析。这将是一件非常 Amazing 的事情！ 本文将探讨如何利用 ChatGPT 实现智能数据可视化方案。

2023年5月21日

TRAG 架构有效弥合了自然语言与结构化数据之间的鸿沟，使得 LLM 可以更轻松地集成到各类应用程序中，助力现有系统的智能化改造，加速推进业务升级。

2024年10月12日

本文结合多个项目重构经验，深入探讨如何有效利用 GitHub Copilot 辅助代码理解、优化、模块化、命名规范改进以及单元测试的辅助生成，为软件工程师和架构师提供一套可操作的借鉴与深度思考。

2025年5月14日

MCP 被反复类比为 AI 世界的 USB-C，但真正值得关注的不是这个比喻本身，而是它试图解决一个更现实的问题：当 AI Agent、AI IDE 和企业系统开始同时接入越来越多工具、数据源和上下文时，如何把这些连接关系从一次性集成变成可组合、可迁移、可治理的协议层。

2025年3月23日

大多数 AI Agent 框架用 TypeScript 或 Python 构建，Claw Code 选择了 Rust 并基于 Trait 泛型设计了一套完全解耦的运行时架构。这篇文章深入拆解它的核心设计决策：依赖倒置、分层工具系统、分级权限模型、Hook 机制和 MCP 集成。

2026年4月2日

构建 AI Agent 最难的部分不是选模型，而是包裹模型运行的那套基础设施：工具调用、上下文管理、错误恢复、状态持久化、权限控制。这篇文章拆解 Agent Harness 的五大支柱，解释每个设计决策背后的原因与取舍。

2026年4月2日

大多数人使用 LLM 与文档交互的方式是 RAG：每次查询时从头检索、拼凑答案，没有任何东西被真正"建立起来"。LLM Wiki 提出了一种完全不同的思路：让 LLM 持续维护一个结构化 wiki，把知识积累成可复合的持久工件，并利用 LLM 把维护成本压到接近零。

2026年4月9日

AI 确实提升了知识工作的产出速度，但它并没有自动换来更多自由时间。真正被改写的不是效率本身，而是组织如何重新定义工作量、竞争基准与个人价值。

2026年4月20日

这篇文章从 Karpathy 对 Vibe Coding 的原始定义出发，结合 Addy Osmani 对 AI-Assisted Engineering 的区分、Claude Code 的 agentic coding 形态，以及 Stanford AI Index 2026 的数据，讨论 AI 编程为什么把工程重点从亲手实现推向定义约束、验证结果和承担后果。

2026年4月25日

当 AI 从聊天工具走向 Copilot 和 Agent，真正卡住交付质量的，往往不是模型本身，而是缺少一套能重复、能维护、也能沉淀经验的执行路径。本文从 Agent Skills 的定义、工作机制、与 MCP 的关系以及落地方式出发，解释为什么 Skill 正在变成 Agent 系统里的能力封装层。

2026年4月25日