没有什么能比开源更棒！ MiniMax 刚刚发布了 M2.1，开发者称其为“成本仅为 10% 的 Claude”。 - 72.5% SWE-多语言。超越 Sonnet 4.5 - 88.6% VIBE-bench。超越 Gemini 3 Pro 我用它建立了一个 AI 工作室，可以将任何网站转变为播客。 100% 开源。

我已经在生产中构建 AI 代理超过一年。 这是开发人员在将代理扩展到生产时面临的一个常见问题： 他们通常在向量、结构化数据和会话的不同服务之间进行 juggling。 三个不同的连接池。三种备份策略。三个监控仪表板。 代理循环本身简单，包含推理、工具和记忆，但基础设施成为瓶颈。 如果你想看到更清晰的处理方式，我构建了一个使用 @MongoDB 作为所有内容的单一后端的代理。我与他们的团队合作，将这个分享给你。 设置很简单： ↳ 从 PDF 文档开始。代理将回答有关它的问题，同时记住过去的对话。 ↳ 首先，将 PDF 切块并使用 Voyage AI 的模型进行嵌入。这些嵌入直接进入 MongoDB，带有向量索引。 ↳ 然后你定义两个工具：一个用于向量搜索，一个用于基本计算（如有需要）。代理根据查询决定使用哪个。 ↳ 记忆存储在同一数据库下的会话 ID 中。代理的每次交互都会被写回，以便它可以参考早期的回合。 ↳ 规划者将其联系在一起。它查看对话历史，决定是否需要工具，执行该工具，并生成最终响应。 这里统一后端的重要性在于： 当代理搜索上下文时，它查询的是存储用户会话和结构化数据的同一数据库。 当它写入记忆时，同一 MongoDB 实例处理向量嵌入。 我将其包装在 Streamlit UI 中，以观察代理的工作。当我发送查询时，它会显示你选择了哪个工具，检索了什么，以及它是如何推理得出答案的。 架构保持灵活，因为你可以轻松地替换任何嵌入模型或选择的 LLM。 当你准备好发布时，你只需管理一个数据库，而不是三个。 MongoDB 的 AI 学习中心也详细介绍了类似的方法。 如果你想深入了解更多这样的 AI 工程模式…… 它有自学进度的课程，涵盖向量搜索基础、RAG 架构、代理的记忆管理，以及与 LangGraph .js 的实践教程。 我已经在回复中分享了 #MongoDB 的完整代码库。

最好的AI代理不是构建出来的，而是经过优化的。 我将我的代理性能提升了180%，并制作了一段视频，向你展示我是如何做到的。 - 适用于任何代理工作流程 - 本地运行或在你的k8s上运行 - 3个简单步骤 100%开源。