現實是，我們都應該努力建立自己理想的自主同事。 Anthropic 的 Cowork 預示著一波新的代理協調工具即將來臨。 這不僅僅是讓使用 Claude Code 變得簡單。 在我看來，更重要的是建立直觀的界面，以便與代理互動、管理和協調，使 AI 更加高效。 在人與代理（反之亦然）之間的溝通方式上仍有創新的空間。我是指你能想像的每一個地方和每一個領域。 隨著技能和插件的興起，任何人都可以利用這些代理和工具構建強大的體驗。你不需要具備技術背景就能顛覆並創建創意十足且極具實用性的技能（無論是為了工作、個人項目，甚至是創業）。你需要對你所處的領域有良好的品味，密切關注新興的 AI 技術，持續實驗，建立背景，並以複利的心態進行構建。 前方是令人興奮的時刻。是時候開始建設了！

Agentic RAG 值得嗎？ RAG 系統已從簡單的檢索-生成管道演變為複雜的工作流程。何時使用增強型 RAG（固定管道與專用模組）與 Agentic RAG（LLM 動態協調整個過程）仍不清楚。 這項研究提供了首個實證比較。 增強型 RAG 增加了預定義的組件以解決特定的弱點：路由器用於判斷是否需要檢索，查詢重寫器用於改善對齊，重排序器用於精煉文件選擇。工作流程是固定的，並且是手動設計的。 Agentic RAG 採取不同的方法。LLM 決定執行哪些操作、何時執行以及是否需要迭代。除了基本的知識庫、檢索器和生成器之外，沒有額外的組件。模型控制一切。 研究人員在 QA 和信息檢索任務中評估了這兩種範式的四個維度。 用戶意圖處理：在大多數任務中，Agentic 稍微超越增強型，但在 FEVER 上增強型明顯獲勝（+28.8 F1 分），因為代理經常不必要地檢索。 查詢重寫：Agentic RAG 的平均 NDCG@10 為 55.6，而增強型為 52.8，顯示代理可以在有利時自適應地重寫查詢。 文件精煉：增強型 RAG 與重排序（49.5 NDCG@10）超越 Agentic（43.9）。專用的重排序模組優於迭代檢索嘗試。 Agentic RAG 對模型能力的敏感度更高。使用較弱的模型時，增強型 RAG 維持穩定，而 Agentic 的性能顯著下降。 成本分析顯示，Agentic RAG 由於多步推理需要 2-10 倍的計算時間和標記。 在增強型和 Agentic RAG 之間的選擇取決於您的限制。增強型 RAG 提供可預測性、較低的成本和在較弱模型下的穩定性。Agentic RAG 提供靈活性，但需要更強的模型和更多的計算。 論文： 在我們的學院學習如何構建有效的 Agentic RAG 系統：

長期任務的簡單記憶解決方案。