程序员的自我修养

核心结论：多Agent协作不是让一个LLM变得更聪明，而是让多个专职LLM分工合作——就像雇了一支旅行规划团队，每个人只干自己最擅长的事。

一句话结论：Agent想太多绝对是优点——关键是用对思考方式。ReAct适合动态探索，Plan-and-Solve适合结构化任务，Reflection适合精益求精，三种范式各有其战场。

没有严格的评估，再好的 Agent 都只是一个感觉良好的黑盒——评估是将工程直觉转化为可量化结论的唯一路径。

一句话结论：GPT不理解语言——它是一个极其精密的概率机器，通过预测下一个词是什么来完成几乎一切语言任务。但正是这个不理解，让它比任何理解的系统都更强大。

核心结论：监督微调（SFT）教模型模仿人类答案，强化学习（RL）教模型在真实反馈中超越训练数据——这正是把普通 LLM 变成真正智能 Agent 的关键跨越。

一句话结论：AI已经研究了近70年，但真正意义上的智能体时代是在2022年之后才突然爆发的——不是因为某一项单独的技术突破，而是三股力量同时成熟后的共鸣。

通信协议是 AI Agent 能力的天花板——没有标准化的协议，再强的模型也只是孤岛上的天才。

一句话结论：大语言模型（LLM）是一个博学多才的顾问，而智能体（Agent）是一个能帮你把事情办完的助理——这两者之间，隔着一道关键的鸿沟。

核心结论：Agent的智商上限，不是模型决定的，而是你塞进上下文窗口的信息质量决定的。

大模型本身没有记忆——每次对话都是从零开始。真正让 Agent「变聪明」的，是它背后那套 Memory 系统的设计方式。今天我们深入拆解三个 2025~2026…