初始面对问题时，我们难以把握所有细节和边界。问题域与求解空间构成一座迷宫。
当委托 Agent 去解决时，迷宫越大，Agent 面临的方向和不确定因素越多，路径越发散，越容易迷失。对于系统性任务，若无章法和收敛判断，Agent 在前进不远的地方，可能就会陷入困局。
这正是 SKILL 存在的意义：为迷宫划定边界，并为每一步提供导航，并让 Agent 知道自己何时需要停下来。。
RAG 技术演进：从朴素检索到智能代理增强
LLM 具备强大的分析能力、推理能力、生成能力，但它仍然无法记得上个月的今天发生了什么，哪怕你曾经在上个月告诉过它。
究其原因，是因为 LLM 基于静态语料库训练，你的个人经历并不在其中。它只具备短期记忆，这种记忆依靠一次对话的上下文维持（历史信息会被携带到下一次对话），当你换个对话窗口，它就忘记了。
当然，现在的诸多协议已经能够为 LLM 提供很多”外挂”，比如 MCP 协议、A2A 协议，它们在不断扩展 LLM 的认知边界，让 LLM 能够跳出其固有的知识范围。但是，RAG 仍然是一个重要方向，为 LLM 提供长期记忆、让它能够将神经元触达到你的个人数据。
从单体智能到群体智慧：A2A 协议解析
AI模型已然从文字走向多模态，能力边界不断拓展。从斯坦福小镇到 ChatDev，再到 AutoGen 和 LangGraph，多 Agent 协作模式也在不断发展。
个体越聪明，协作越复杂，群体智慧越强大——人类如此，AI亦然。
当个体 LLM 成熟到一定程度，协作复杂度达到新的临界点，A2A（Agent to Agent）协议的出现，为智能体互联提供标准化规范。
MCP 协议完全指南：架构设计
Host 就像是一个作战大厅，大厅里主要有三种角色：
- LLM Client 扮演者将军的角色，负责作战计划的制定。
- Orchestrator 扮演着作战参谋的角色，负责协调各个 MCP Client 的行动。
- MCP Client 扮演者通信兵的角色，负责与外部 MCP Server 进行通信。
解码器：Transformer 模型的核心设计(四)
前馈神经网络：Transformer 模型的核心设计（三）
多头注意力机制：Transformer 模型的核心设计(二)
词语的语义受其上下文影响。例如，”model”一词在”machine learning model”与”fashion model”中表达完全不同的概念。
这种影响因素的计算和捕捉，正是 transformer 模型中 self-attention 机制的核心功能之一。
三角函数与位置编码：Transformer 模型的核心设计
词语的位置决定其语义功能，这是 seq2seq 模型必须解决的核心问题。比如，I saw a saw，两个 saw 在不同位置含义完全不同。
Transformer 模型并行处理所有输入词汇，失去了序列的内在顺序。位置编码通过将位置信息注入输入表示来解决这一问题。理想的位置编码应具备两个数学特性：位置的唯一性（不同位置有不同编码）和相对位置的可学习性（位置间的关系可被模型捕捉）。
ResNet 残差神经网络
神经网络的学习过程，亦如我们设置了一系列的函数，通过学习，让参数更加合理化，从而拟合从输入到输出的映射关系。
下面，通过 ResNet 结构，来理解神经网络的学习过程。
卷积、归一化和池化
卷积可以用于特征提取，归一化可以用于提高模型的泛化能力，池化可以用于减少特征的维度。