大家好，
我很好奇这个社区里的每个人都在用AI代理构建什么。
如果你正在开发一个代理，我想知道：
它解决了什么问题？
你使用了哪些模型？
你选择了哪个框架或SDK（LangGraph、CrewAI、OpenAI Agents SDK、AutoGen等）？
你是否使用了MCP、RAG、记忆或浏览器自动化？
你面临的最大挑战是什么？
你有什么经验或最佳实践想与他人分享？
无论你的项目是个人实验、开源工具还是生产系统，都可以分享你的架构、截图、演示或GitHub链接。
期待从大家的经验中学习，并发现有趣的AI代理项目！
过去一年我完全专注于这方面的基础设施，所以这里是我们正在构建的内容的内部视角。
它解决了什么问题？我们注意到推理框架目前非常出色，但在生产中都遇到了同样的障碍：代理缺乏深层上下文。如果代理需要回答跨越Slack线程、Jira工单和SharePoint合同的查询，标准的RAG只会将不相关的文本块转储到提示中，代理就会产生幻觉。我们正在构建一个名为PipesHub的开源上下文层来解决这个企业数据瓶颈。
使用哪些模型？我们在后端是模型无关的，但通常我们看到使用Claude 3.5 Sonnet和GPT-4o进行实际编排循环时推理效果最好。
框架/SDK？我们的架构位于编排层之下。因此，无论开发者使用LangGraph、CrewAI还是更新的OpenAI Agents SDK，PipesHub都作为统一的内存和检索引擎，将正确的上下文输入到这些框架中。
MCP、RAG、内存？我们使用所有这些，但我们对RAG的处理略有不同。我们使用事件流设置（Kafka）持续摄取企业数据。我们不是将其直接转储到向量数据库中，而是将数据路由到向量数据库和知识图谱中。我们使用MCP作为标准协议，将统一的内存管道传输到代理中。这让代理能够动态选择如何检索数据——对于硬关系/谱系使用图谱，对于广泛上下文使用向量数据库。
最大的挑战？"上下文腐烂"和权限保真度。确保代理仅检索和操作特定最终用户实际有权查看的数据，跨越数十个不同的企业孤岛，这非常困难。
要分享的最佳实践？停止盲目地将分块文档转储到提示中。转向代理驱动的检索，让代理首先查询图谱以理解实体之间的关系，然后再尝试读取原始文本。你的令牌成本会下降，幻觉几乎会消失。
构建A股财务分析代理。索引了三年财务报告，支持按行业和地区跨公司比较，并对财务附注进行结构化解析。目前最大的难题是附注解析，每家公司的格式不同，同一会计科目在不同文件中叫法各异。让模型一致地提取信息非常棘手。好奇大家是否认为这个方向值得继续探索。
我目前正在尝试用本地代理来总结长篇研究论文。现在肯定坚持用纯Python脚本，因为框架在出问题时很难调试，哈哈。保持内存层简单是到目前为止最大的挑战。