知鸦日报2026-07-23

Agent工程需从ReAct的“模型循环”走向Harness系统。通过前后端共享的State Schema定义运行事实边界，让模型行为变成可恢复、可控制、可追溯的产品能力。UI只消费事实，系统要记得发生过什么，确保用户刷新不丢现场。

服务端冒烟审查被压缩到几分钟，关键在于将新老项目审查路径分离，把可复用的规则、材料处理和报告生成固化，让AI专注于语义判断。候选问题需通过证据门槛才能进入报告，确保可信度。

RAG通过检索增强LLM，解决其知识截止、幻觉和私有数据盲区。核心流程包括：文档切块、Embedding向量化、HNSW近似搜索、多路召回（语义+关键词）融合与Rerank精排。关键在于搜得准，而非LLM本身。

用S2地理编码将空间检索转化为排序键整数区间，配合ClickHouse稀疏索引跳读，实现近10万亿轨迹点任意区域0.35秒首条可见。流式返回、冷热分级存储与浮点转定点整数设计，让长尾路段的轨迹查证从小时级变为秒级交互。

本文提出AI Agent时代的“三件套”架构：Supabase作为数据接口与应用后端，知识图谱提供语义记忆与推理，In-DB Agent Runtime贴近数据执行代码。三者共用一个RDS PostgreSQL实例与Kong网关，让Agent只需一个端点、一把密钥即可调用全部能力，实现从数据底座到完整开发平台的统一。

LLM在成熟系统中实现需求时，常因不了解业务约束而破坏现有逻辑。CodeWiki通过交叉索引提炼源码事实，并用研发标注沉淀代码外规则，生成结构化知识库，帮助LLM理解并遵守约束。单案例验证显示，约束覆盖得分从0.5提升至7.5。

AI Native知识库将分散的代码、文档和经验转化为结构化工程资产。它通过统一入口、六个知识域和模板契约组织内容，结合意图识别与检索，让Agent在研发各阶段精准获取可回溯的完整知识。生产与反馈闭环确保知识持续更新，避免过期误导。

这是一篇关于赞赏功能的说明，用户可自定义金额支持作者，最低赞赏为0元。页面提供了数字键盘和金额输入框，方便操作。