llm

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。

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。

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。