DSH Super-agent文章速读(三)

3. 事件驱动要让 Agent 主动参与工作,系统需要持续接收环境中的变化。Super-agent 将群聊消息、邮件与日程提醒、代码审查评论、CI 运行结果等称为 Trigger,由这些事件驱动后续判断与执行。 但接收事件只是入口。多来源消息中,并非所有内容都需要 Agent 处

DSH Super-agent文章速读(二)

2. 双层架构从使用体验看,用户希望通过统一入口管理多个项目,由系统掌握相关背景并协调工作,就像与一位了解各项目进展的助手交流。但统一入口不必对应单一 Session:将全部任务放进同一个会话,容易受到串行执行和上下文混杂的影响;将任务完全拆到独立会话,又容易缺少全局协调。 为了

DSH Super-agent文章速读(一)

1.为什么提出Super-agent随着模型独立执行任务和多 Agent 协作能力提升,Agent 开始接入消息、日程、邮件等工作环境。但现有系统仍以独立 Session 为主,多任务推进需要用户手动切换会话、同步上下文,人的注意力逐渐成为限制。 Super-agent 希望打破

RAW-RAG :原文检索与复杂记忆系统的比较

常见的 Agent 记忆系统通常是对历史对话进行处理,例如提取事实、生成摘要等;之后随着聊天的进行继续追加、更新或删除已有记忆。回答问题时,系统检索这些处理后的内容,通过模型筛选把相关内容提供给 LLM。 RAW-RAG 则提出了另一个方向:直接保留并检索原始历史,能达到什么样的

切换练习后,迟到的批改结果该怎么办?

在 DeepTutor-HKDSE 里提交练习 A 后,用户不一定会守着页面等批改(批改时间还是有点小长的,后续可以考虑优化一下),可能转头就去做 B 了。最初的设计是由前端等待批改结果,如果用户已经切到 B,A 的结果这时才返回,回调又直接更新页面,B 上就可能冒出 A 的评分

Agent 一直重试,工具却一次没执行

DeepTutor-HKDSE 的 Agent 有时会反复请求模型修正格式:模型已经给出了工具调用,程序却要求它再试一次,但是反复重试后,工具始终没有被执行。(我愿称之为“赛博鬼打墙”) 观察到这个偶发问题后,我导出了 LLM 返回的原始响应报文,发现 tool_calls 中已