有人花时间冥想，或者去大自然中静一静，通常就是为了逃离外界的‘噪音’，把注意力集中在自己真正要思考的问题上。
by 世界尽头的咖啡馆

BAML 是一种用于结构化文本生成的表达语言（an expressive language for structured text generation）。
一定程度上神似 gRPC 。都是通过接口定义、代码生成、强类型、跨语言支持和可组合性，来规范和增强交互过程。gRPC 是“服务之间怎么通信”，BAML 是“AI 行为怎么定义”。
BAML 原理与实战： apframework.com

能量不足时还是多看书的好

Progressive JSON 似乎是不错的思路：不是一次性传输完整页面数据的模式，而是采用从组件树的外层向内逐层递进的方式发送 props。在此过程中，一旦页面的某个部分已经具备明确的加载状态可供展示，React 便能够迅速将其呈现出来，与此同时，其余部分的数据仍可继续以流式加载的形式进行传输。优化了数据传输的效率、提升了用户体验，让页面加载过程更加流畅自然
overreacted.io

看了数日，思考也逐渐增多，生产级的 Agent 架构思路，还需要更多的实践和体会。
12-Factor Agents：构建生产级 LLM 代理的 12 要素原则 ： apframework.com

智能体的关注焦点正从传统的“提示工程”（Prompt Engineering）逐步转向更为系统和动态的“上下文工程”（Context Engineering）。这一转变并非简单的术语更迭，而是代表着 AI 应用开发范式的一次根本性升级，它预示着智能体技术将迈向一个全新的发展阶段。
在实际参与的一些 Agent 落地项目中，这种趋势愈发明显。随着技术的不断进步和落地场景的日益复杂，工程化的重要性愈发凸显。我们逐渐认识到，仅靠单一的提示已经无法满足复杂多变的应用需求，而需要构建一个更为系统化、动态化的上下文环境，为智能体提供全面、精准且实时的信息支持。这不仅能够提升智能体的性能和可靠性，还能更好地适应多样化的应用场景，实现真正的智能化和个性化服务。这种从“提示工程”到“上下文工程”的转变，正是推动智能体技术迈向成熟的关键一步
上下文工程： apframework.com

断续折腾了几周 Mem0（mem-zero）。体验了托管平台的 SaaS 功能，看完了官网现有的文档，翻了源码，实现上大量利用了的开源功能，核心功能相对简洁。
本地搭建后，使用 langgraph、dify 等进行了集成，总体来说体验还是不错的。
整理了一篇文章，方便记录，示例代码上，在 OpenAI 受限情况下，使用了 DeepSeek 和 Ollama 进行替换，方便云环境集成验证。
Mem0 深度解析：开源本地 AI 智能体长期记忆系统原理与实战 ： apframework.com

一个人所能碰到的最好的东西就是天生的好运气。

强化学习的算法理解：Q-Learning。文章先初步讲述核心概念，再通过公式加深理解，最后直接上手运行代码。在实践中调试和理解，既验证了算法的有效性，也加深了对公式的记忆。文章以冰冻湖面环境为例，详细展示了Q-Learning的实现过程，包括Q表初始化、ε-贪婪策略和Q值更新等关键步骤。
Q-Learning 精解：从数学原理到代码实现的深度探索 ： apframework.com

重新拾起搁置已久的强化学习。然而，发现时间的流逝让曾经还算熟悉的数学知识和编程库都变得模糊。运用费曼学习法来整理所学内容，用简洁的文字和能直接运行的代码进行记录。
蒙特卡罗方法：原理与Python实现 apframework.com