RAG 检索增强 实战路线：从最小可用到生产级
把公开实践分享里关于 RAG 检索环节的说法做交叉整理，给出最小可用版到生产级四层改造的可执行步骤。覆盖语义分块、混合检索与 RRF 合并、cross-encoder 重排、评估集建设，并列出常见误区与不适用 RAG 的场景。
权限别绕开：复用已有权限体系的三道做法
语义层补好之后，旧库能查了，但谁能看什么还没解决。本篇给出存量系统接 AI 时复用现有权限体系的三道做法：AI 服务以服务账号运行并代传用户身份、在检索出口做行级过滤、把已有 RBAC 封装成模型可调用接口，并列出三个常见的越权路径。
Patch the Planet：用 AI 协调开源关键漏洞披露
OpenAI 在 10 月 21 日披露，过去两个月它联合 PHP 维护者、Wiz、Cloudflare 等处置了 PHP 的关键漏洞，并借机提出一套 AI 时代关键漏洞响应框架 Patch the Planet。这篇讲清五阶段流程、Agent 在其中的角色，以及它对安全和开源社区意味着什么。
open-webui：一个界面管住 Ollama 和 OpenAI 后端
open-webui 把本地 Ollama 和云端 OpenAI 兼容 API 统一到一个自托管界面里，加上 RBAC、RAG 和插件管线，是自建 AI 工作台的常用底座。这篇拆它的多后端抽象、权限和工具管线设计，以及能复用到其它 AI 应用的思路。
GitHub 为 Agent 时代重做 Git 基建：把仓库搬到 Azure
GitHub 官方工程博客披露，它已经把 99.99999% 的仓库副本搬到 Azure，并用 per-reference quorums 和对象存储两层改造，承接 AI Agent 带来的指数级 Git 流量。这篇拆解它的架构决策和关键数字，说明对依赖 GitHub 的开发者意味着什么。
向量数据库怎么选：Milvus、Qdrant、pgvector 横向对比
用 MySQL 硬扛知识库问答，会撞上语义检索的天花板。这篇把 Milvus、Qdrant、Weaviate、pgvector、ES、Pinecone 等主流方案按规模上限、混合检索、运维成本、适配场景摆到一张表里，给 Java 工程师从 MySQL 迁到 RAG 生产的选型建议和避坑点。
Agent 记忆不是一件事：短期缓冲和长期存储
把「Agent 忘了」当成一个问题去修，是绝大多数记忆 bug 的根源。这篇把记忆拆成短期缓冲（上下文窗口）和长期存储（外部库）两套机制，讲清各自实现方案和常见误区——把长上下文当记忆、把向量库当万能记忆——再给一个可复现的做法。
Gemini App 加品牌风格上传、Nano Banana 2.1 和财务图表
Google 在 10 月 20 日宣布 Gemini App 面向小微企业主的三项新能力：上传品牌风格统一视觉产出、Nano Banana 2.1 图像生成、把表格收据转成实时财务图表，配一个新的业务落地页和一批应用连接。这篇讲清每项能力解决什么、怎么落地、对开发者意味着什么。
拆多个 Agent 之前，先想清楚消息路由
单个 Agent 把所有工具塞进一个提示词，指令一多就互相打架。这篇讲什么时候该拆成多个 Agent、怎么用角色拆分加消息路由把多个 Agent 编排成可复现的工作流，给一个最小实现，再列几个必踩的坑。
数据不搬家：在旧库上补一层语义
承接上一章选定的只读问答落地点，这一篇解决「模型读不懂老库字段」的问题。不迁移数据、不改表结构，只在旧库外面补一层语义：字段字典、枚举映射、注入 prompt，让模型按业务含义而不是字段名去理解数据，并说清这套做法能扛住什么、扛不住什么。
端到端具身交互智能，魔珐星云这套方案怎么搭
拆解魔珐星云「端到端具身交互智能」平台：五项能力（感知、智脑、表达、端渲、行动）、专属智脑三层、可插拔架构和多身体形态。信息来自厂商宣传口径，无第三方评测，落地效果待验证。
DeepSeek-Reasonix：一个 Go 重写的社区编码智能体
拆解 DeepSeek-Reasonix（Reasonix）这个社区编码智能体：模型可换、配置驱动、Go 重写、权限分级与 rewind 回退。附 reasonix.toml 配置骨架和上手命令，以及与 Claude Code 的定位差异。注意它是 esengine 社区项目，非 DeepSeek 官方。
Gemini 4 Argon：100 万 token 上下文与三档 thinking level
解读 Gemini 4 Argon 的关键参数：100 万 token 统一上下文、low/medium/high 三档 thinking level、体验价与翻倍时间表、长解码上限。分析对现有 Gemini 应用的迁移影响，以及 thinking level 什么时候值得拉满。
Java 后端做 Agent，框架和周边工具怎么选
Java 生态接 AI Agent 的选型：Spring AI 与 LangChain4j 的能力边界和横向对比，MCP、RAGAS、Langfuse 等周边工具各管什么，附一段 Spring AI 的 @Tool 接入示例。结论是 Spring 栈选 Spring AI，要深定制选 LangChain4j。
LangGraph 工作流：checkpoint 和 thread_id 的几个坑
讲 LangGraph 上生产的持久化：checkpoint 怎么配、thread_id 为什么必传、MemorySaver 和 PostgresSaver 的区别、interrupt 和状态膨胀的坑。给一段可跑的 PostgresSaver 示例，适合搭过多轮 Agent 但没配对 checkpoint 的人。
OpenAI 模型进 Google Cloud：前沿模型与 Codex 上 Model Garden
解读 OpenAI 与 Google Cloud 的合作公告：前沿模型和 Codex 工作流进 Model Garden，走 Marketplace 交易、可用 GCP 承诺额度抵扣，即将在 Antigravity 和 Gemini Agent 可用。分析这对开发者、微软用户和 OpenAI 自身意味着什么。
大模型微调，先用 LoRA 跑通一个分类任务
讲大模型微调的最小闭环：为什么默认用 LoRA 而非全参数，target_modules 怎么别抄错，给一段能跑的 peft 训练脚本，以及数据、模板、评估几个高频坑。适合想低成本跑通第一个微调任务的人。
存量系统接 AI，第一个落地点选只读需求
承接上一章摸清的数据、部署、测试底数，这一篇回答「老系统那么多地方，第一个 AI 落地点选哪」。结论是只读优先：从一张字段稳定、查询量大的表做只读问答，写回单独走受控通道，规避字段漂移的坑。
Spring AI 2.0 与 LangChain4j：Java AI 框架怎么选
Java 团队做 AI 应用，第一道选择题几乎都是 Spring AI 还是 LangChain4j。本文摆清两家的能力边界，给出模型覆盖、MCP、工具调用的横向对比表，并按团队现状给选型建议，说明两个框架各自不适合谁。
DeepSeek 崩了 5 小时：AI 应用的降级与容错
10 月 15 日早高峰，DeepSeek 对话、V4 Pro、V4.1 Flash 服务中断近 5 小时，官方致歉并全额返还赠金，同时表示将剥离单点依赖。这篇从这次事故拆出 AI 应用该做的降级与容错设计：多模型路由、缓存兜底、降级提示，而不是跟着一起挂。