RAG 评测指标速查表
按检索、上下文、答案、引用、拒答、安全与生产等层次，整理 RAG 系统常用评测指标、计算方式和最小 Release Gate 组合。
ContextEngineering
RAG 检索结果如何重排：从 Hybrid Retrieval 到 Cross-Encoder、Listwise 与证据集合选择
面向 AI Application Engineer 的 RAG 重排设计指南：区分检索融合、语义重排、业务排序与证据集合选择，并给出可落地的生产级默认链路。
2026 AI 应用工程师求职技术栈：东京、中国大陆与美国市场 JD 深度调研
基于中国大陆、美国与东京各 20 条公开职位描述的调研，梳理 AI Application、Agent 与 RAG 工程师的招聘技术栈，并给出面向东京求职的学习优先级与作品集路线。
从 Single-Agent 到 Multi-Agent：健壮 Sub-Agent 系统设计指南
一份面向程序员的 Multi-Agent 与 Sub-Agent 系统设计指南：从是否需要多 Agent、任务拆分和协调模式，到上下文、权限、可靠性、评测与生产落地。
生产级 AI Agent 的上下文压缩：从消息裁剪、工具结果清理到 Hermes Agent 的分层 Compaction
本文系统梳理生产级 AI Agent 的上下文压缩方法，区分消息裁剪、工具结果清理、Artifact 外置、结构化摘要与原生 Compaction，并以 Hermes Agent、LangChain v1 和 LangGraph v1 为例给出分层落地与评估建议。
RAG 检索工程：从混合检索到生产治理
系统介绍 RAG 检索工程中的词法检索、稠密检索、混合融合、重排、评测、可观测性与生产治理。
腾讯 AI Leader 姚顺雨 在这个PodCast中聊了什么？
本文围绕 Latent Space 对 Shunyu Yao 的访谈，梳理 ReAct、Reflexion、Tree of Thoughts、memory、benchmark、ACI 和 agent UX 等主题，并总结 AI agent 工程落地中工具、环境、评估与接口设计的重要性。
2026 年 AI Engineer 学什么值钱
本文从基础 RAG pipeline 被平台吸收的趋势出发，分析 2026 年 AI 应用工程师应该重点投入的高溢价技能，包括评估与可观测性、数据治理与权限控制，以及 agentic workflow 的深度工程能力。
如何设计出优秀的 AI Agent：从架构原则到实战模式
本文系统梳理优秀 AI agent 系统的核心设计框架，包括 Spec-Driven Development、三层架构、Resolver、Latent 与 Deterministic 分界、Diarization 以及可自我进化的学习闭环，帮助工程师从补全工具思维转向 AI 增强软件工程。
AI Coding Agent 时代的核心技能：如何写好 Software Spec
本文结合 2025-2026 年 AI coding agent 与 Spec-Driven Development 的最新实践，系统解释 Software Spec 的定义、价值、核心组成、工作流与常见陷阱，并给出一份适用于 Claude Code、Codex CLI、Cursor 等工具的实战模板。