概述 LlamaIndex（原名 GPT Index）是一个开源的数据框架，专门用于构建大语言模型（LLM）应用。它解决了 LLM 的一个核心局限性：LLM 在训练后就无法访问私有数据。LlamaIndex 通过检索增强生成（RAG）技术，将用户的私有数据与 LLM 的生成能力无缝连接。与langc

码农圣地 github github众所周知，是最大的同性交友网站开源项目公布网站，每个人都可以在这里share自己的项目。 由于open-source往往由一个团队进行开发，所有有很多开发版本，为了管理不同的开发版本之间的异同，远古linux大神linus写了git的原型来管理不同的fork。每个

旨在排列出看过或者没看过收集的高质量博客 苏神 地址：科学空间 高代 从一个单位向量变换到另一个单位向量的正交矩阵 “对角+低秩”三角阵的高效求逆方法 <

Context Manager 多模态数据的处理 现在大模型系统的对话窗口和处理数据会产生大量的上下文，后续的qa往往会用到其中一部分上下文，所以建立有效的context engine是十分必要的。 NLP 用时问戳标记上下文 一种常见的设计是在每条信息上附加时间戳，以保留其生成的顺序。这种方法由于

github link：https://github.com/gsd-build/get-shit-done/blob/main/README.zh-CN.md 安装命令：npx get-shit-done-cc@latest 更新包：npx get-shit-done-cc@latest 某种原因

如果把近两年的主流开源框架放在一起看，大致可以归成 5 类： 单 Agent runtime架构 代表：OpenAI Agents SDK 图工作流 / State Graph 架构 代表：LangGraph Flow + Crew 分层架构 代表：CrewAI 团队协作 / Swarm / 角色扮

context其实跟infra息息相关，好的infra能支持非常多的idea并发的去实现，而pipeline的高度耦合使得infra变得屎山中的屎山，所以模块化的context infra势在必行。我们想构建一个context playload，一个有序、分层、可度量的 typed blocks 集

一、workflow 我习惯的方式是opencode + gpt5.2 xhigh来吵方案，然后claude code + opus + sonnet来写代码，他们有以下几个区别： gpt通常有包月的套餐，一天能用60~120刀不等，中转站包月通常一个月不会超过80 rmb，是非常实用的大模型套餐

agent最基本的就是ReAct范式，其中最关键的就是agent plan，我们主要探讨的是单agent的plan和多agent不同范式如何plan的更好。 单agent 单agent plan指的是同一个agent在一个 loop 里：规划 → 执行（工具调用）→ 观察 → 反思/重规划 → …

由于codex至今不支持subagent，我实在等不及了，用codex开发确实没那么灵光，先用claude code组建团队，反正逻辑是一致的。这里附上一条codex不询问命令的指令： # 尽量别问我（读写不问，删除之类的问） codex -s workspace-write -a never cl