沒有什麼能比開源更棒！ MiniMax 剛剛推出 M2.1，開發者稱其為「以 10% 的成本實現 Claude」。 - 72.5% SWE-多語言。超越 Sonnet 4.5 - 88.6% VIBE-bench。超越 Gemini 3 Pro 我用它建立了一個 AI 工作室，將任何網站轉換為播客。 100% 開源。

我已經在生產環境中構建 AI 代理超過一年。 這裡是開發者在將代理擴展到生產時面臨的一個常見問題： 他們通常在向量、結構化數據和會話的不同服務之間周旋。 三個不同的連接池。三種備份策略。三個監控儀表板。 代理循環本身是簡單的，具有推理、工具和記憶，但基礎設施成為了瓶頸。 如果你想看到更清晰的處理方式，我使用 @MongoDB 作為所有內容的單一後端構建了一個代理。我與他們的團隊合作，將這個分享給你。 設置非常簡單： ↳ 從 PDF 文檔開始。代理將回答有關它的問題，同時記住過去的對話。 ↳ 首先，將 PDF 切分並使用 Voyage AI 的模型進行嵌入。這些嵌入直接進入 MongoDB，並帶有向量索引。 ↳ 然後你定義兩個工具：一個用於向量搜索，另一個用於基本計算（如果需要）。代理根據查詢決定使用哪一個。 ↳ 記憶存儲在同一數據庫下的會話 ID 中。代理的每次互動都會寫回，因此它可以參考早期的回合。 ↳ 計劃者將其綁定在一起。它查看對話歷史，決定是否需要工具，執行該工具，並生成最終回應。 這裡統一後端的重要性體現出來： 當代理搜索上下文時，它查詢的是存儲用戶會話和結構化數據的同一數據庫。 當它寫入記憶時，處理向量嵌入的也是同一個 MongoDB 實例。 我將這個包裝在 Streamlit UI 中，以觀察代理的工作。當我發送查詢時，它會顯示你選擇了哪個工具，檢索了什麼，以及它如何推理得出答案。 架構保持靈活，因為你可以輕鬆地替換任何嵌入模型或選擇的 LLM。 當你準備好發佈時，你只需管理一個數據庫，而不是三個。 MongoDB 的 AI 學習中心也詳細介紹了類似的方法。 如果你想深入了解更多這樣的 AI 工程模式…… 它有自學進度的課程，涵蓋向量搜索基礎、RAG 架構、代理的記憶管理，以及與 LangGraph .js 的實操教程。 我已經在回覆中分享了 #MongoDB 的完整庫。

最好的 AI 代理不是被建造的，而是被優化的。 我將我的代理性能提升了 180%，並製作了一個視頻，向你展示我是如何做到的。 - 適用於任何代理工作流程 - 本地運行或在你的 k8s 上運行 - 3 個簡單步驟 100% 開源。