信息焦虑我有一个持续性的轻微焦虑：感觉自己错过了很多重要的东西。 每天早上打开手机，公众号推送、X 上的 threads、arxiv 日更的几百篇论文——光是决定”看不看”这件事就已经耗尽了一部分精力。偏偏 AI 领域的信息是加速的，昨天的 SOTA 今天可能已经被推翻，某篇没看到的论文恰好是你正在研究的问题的关键参考。 更糟糕的是：你不知道你不知道什么。关注的公众号写的是”震惊！某某模型碾压 G

ResearcherZero 实现方案 – 把 Claude Code 变成 AI 研究员Introduction经过 Context、Memory、Learning 三篇架构设计，ResearcherZero 的蓝图已经画完了。接下来该回答一个现实问题：怎么实现它？ 最初的想法是自己搭一套 Agent 框架 —— 实现 Plan&Execute + React 的运转机制，自建工具调用链

DeerFlow Skills 运作机制（代码级拆解）最近想自己实现一个支持 Skills 的 Agent 系统，于是阅读了 DeerFlow 的实现，在此沉淀一篇运作机制说明。 目标读者：想自己实现一套“可插拔 Skill 机制”的 Agent 系统开发者。结论先行：DeerFlow 的 Skill 机制是“Skill 元数据注入提示词 + LLM 按需读取 SKILL.md + 沙箱 Ter

在开发 ResearcherZero 的 Learn 特性时，我需要它能支持 skills 的机制，但是发现其实虽然很多科普贴，但很少去统一这个机制怎么实现的，所以有此探索。 后续我会分享出我的梳理，以及一个基础的实现。

Introduction经过多个Agent项目的算法设计实践，我认为一个 Agent 的设计可以用 Context，Memory，Learning，Reasoning 这样的框架去展开思考。 Context: 一个 AI 生命体在某一刻“作为某种身份存在”的处境。就像一个工人之所以是工人，不仅是因为他脑中存了多少知识，而是因为他此刻站在工地上，手里拿着工具，面前有明确的任务与约束 —— 这构成了

Introduction经过多个Agent项目的算法设计实践，我认为一个 Agent 的设计可以用 Context，Memory，Learning，Reasoning 这样的框架去展开思考。 Context: 一个 AI 生命体在某一刻“作为某种身份存在”的处境。就像一个工人之所以是工人，不仅是因为他脑中存了多少知识，而是因为他此刻站在工地上，手里拿着工具，面前有明确的任务与约束 —— 这构成了

Introduction经过多个Agent项目的算法设计实践，我认为一个 Agent 的设计可以用 Context，Memory，Learning，Reasoning 这样的框架去展开思考。 Context: 在25年随着 Andrej Karpathy 多次提到 Context Engineering 这个概念，这个词变得非常热门，而大多数开发者将其认为是一种工程优化思路，但我想从更抽象一层去

背景研究者，或者任何对前沿AGI技术感兴趣的人，总是会有信息困境，通常他们为了追踪或具有领域前沿的理解而花大量的时间处理信息 信息获取现状据我所知研究者主要有以下几种追踪前沿的方式： 主动搜索 — 但是高成本：手动搜索 -> 阅读 -> 筛选，时间消耗巨大 被动订阅 — 但是低精度：依赖平台推荐/分发，或自建workflow+LLM抽取，前者召回与相关性均不可靠，后者审美不

智能猫用产品利基市场探索：高客单价与低竞争机会分析智能猫用产品市场现状与宏观趋势分析随着社会经济的发展和养宠观念的深入演变，智能猫用产品市场正经历着前所未有的快速增长。本节将深入探讨全球及中国智能猫用产品市场的整体规模、增长趋势、关键驱动因素，并概述主要产品类别及其市场表现，同时结合消费者行为洞察，为后续的市场利基点分析奠定基础。 1. 市场规模与预测全球智能宠物产品市场展现出强劲的增长势头。20

深度调研：AI Employee产品、应用场景与商业模式全解析第一部分：AI Employee 概念与市场概览人工智能员工（AI Employee），或称人工智能智能体（AI Agent），正迅速从前沿技术概念演变为企业核心生产力。它们并非被动执行预设指令的自动化工具，而是能够自主感知环境、进行规划、决策并执行复杂任务的“数字员工”1。与传统的机器人流程自动化（RPA）或普通聊天机器人相比，AI