过去一年里，我陆续做过几个 Agent 相关的项目，从简单的对话助手到带工具调用的自动化系统。一个成熟的 Agentic AI 系统当然不只是模型推理能力，它需要工具编排、状态管理、反馈闭环，甚至一定程度的自治能力。但真正跑进生产环境后，我发现一个更底层的问题：如果没有长期记忆，AI Agent 本质上只是无状态的一次性工具。它记不住用户的偏好，记不住过去的决策，更无法从历史结果中学习。在真正可用的 Agentic AI 系统里，长期记忆 (Long Term Memory) 不是锦上添花，而是决定系统是否具备长期能力的基础设施。
在 2024 年底，我突发奇想地想要制作一款宠物管理 App 来提醒我不要忘记遛狗。仅仅凭借着与 GenAI 工具 (DeepSeek, Amazon Q, ChatGPT) 的对话，毫无 iOS 开发经验的我用 3 天就完成了 MVP 的开发。在那个时刻，我深刻地意识到 AI 将重塑整个软件开发行业，它带来的不仅仅是编程效率的提升，更是从”代码工人”到”AI协作者”的范式转移。传统的软件开发模式将被颠覆，如果不能很好地掌握 GenAI 编程工具，软件工程师的工作会面临“生存性”威胁，虽然没人知道未来会如何发展，但我能看到明确的趋势就是未来属于那些能够利用 AI 快速转型的软件工程师。
LangChain 是一个利用大语言模型 (LLM) 构建应用程序的开源框架。它可以结合 LLM 和各种信息源比如 Google Wikipedia，以创造出各式各样有趣的应用。而且，就像 Airflow 编排 ETL 数据管道一样，LangChain 能够编排多个 LLM 相关的任务进而组成 LLM 管道。
不知不觉到了25岁，打算总结一下过去25年学到的一些东西，于是我列了一个清单。有些很有意义，有些很扯，希望能带来一些启发。
25 Things I’ve Learned in 25 Years
深度学习模型经常受限于小数据集，我们可以使用数据增强 (Data Augmentation) 技术来生成更大规模更具多样性的训练集，从而提升模型的鲁棒性和性能。
Deep Learning models are data-greedy and often limited by small datasets. Data Augmentation techniques can be applied to boost training datasets, so that the performance and robustness of models may be improved.
对于循环神经网络，它的输入是一段不定长的序列，输出却是定长的。然而，很多问题的输出也是不定长的序列，比如机器翻译。当输入输出都是不定长序列时，我们可以使用编码器-解码器 (encoder-decoder) 来对其进行建模。
LanguageTool 是一款开源的语言校正软件，用于文本的风格检测和语法纠错。她是一个规则系统，拥有超过2000条规则和一个功能强大的规则解析器。本文介绍了如何使用和拓展 LanguageTool。