Blog
随着大语言模型（LLM）从被动的问答工具演变为具有自主性的智能体（Agents），传统的检索增强生成（RAG）架构正面临前所未有的挑战。当智能体需要执行长周期的复杂任务——如代码重构、法律合规审计或企业流程自动化——仅凭基于语义相似度的向量检索（Vector Retrieval）已无法满足需求。智能体不仅需要“知识”，更需要“记忆”和“结构化认知”。本文将详尽探讨一种新兴的架构范式：**代理式 RAG (Agentic RAG)**，并重点剖析其核心组件——**上下文追踪 (Context Trace)** 与 **上下文图谱 (Context Graphs)**。
前几天，我看到一篇国产 AI Coding 工具的案例文章，花了不少篇幅在讲一个“智能体的附加价值”——当你写代码写到崩溃时，它可以安慰你、鼓励你，让你感觉好受一点。
**2025，不是 AI 提升效率的一年，而是开始释放创造力的一年。**
> 本文由 NotebookLM 基于我的演讲材料《Agentic 时代的前端：当 UI 成为数字员工的执行界面》生成初稿，我在此基础上补充细节，最后由
## 引言：从 AI 辅助到 AI 驱动的必然演进
Xiuper 的后半部分来自 “super”，但它并不指向“更强的 AI”，而是指向一种 能力放大。在 Xiuper 中，AI 并不是一个只负责回答问题的助手，而是作为工程体系的一部分参与进来。它理解项目结构、理解设计决策、理解历史上下文，并在合适的阶段承担合适的角色。
AutoDev Knowledge Agent 的想法是来源于一次与客户的交流中，说到的 RAG 相关的问题：结构化数据优于非结构化数据，JSON 还可以采用
在现代软件开发中，代码审查（Code Review）早已成为质量保障和团队协作的核心流程。但在实际工程环境里，审查往往陷入
在上一篇文章《[以 ROI 为中心的 AI 代码检视体系与分级](https://www.phodal.com/blog/ai-code-review-2025/)》里，我们介绍了在不同的系统
昨天，和我的前同事（他们 Thoughtworks Global，我们前 Thoughtworks 中国区，现 Inspire）聊完 AI Code Review 之后，觉得有几个点非常不错
在新的 AutoDev MPP （Multiplatform Paradigm） 架构下，我们也基于 MPP Core 构建了 CLI 体系。而与免费送 Token 的 Gemini CLI 等相比，
依托于我们领先（于国内的）下一代开源的 AutoDev 架构，在最新发布的 AutoDev 多平台预览版（0.1.6）中，我们实现了 AutoDev Server 与
半年前，我在《AutoDev Next》那篇文章中介绍了 AutoDev 的下一代架构，其中一个核心方向就是：**多端支持**。
过去两三年，我曾为多家公司的资深开发人员开展 Agent 开发培训；最近一个月，我也一直在为毕业生设计和培训 AI Agent。直到本周，
过去的一个多月里，一直在为**毕业生**进行软件工程与 AI 开发能力培训，直到最近才有空为 AutoDev 完善 A2A 能力的支持。顺带一提，毕业生
在过去的几年中，AI Agent 应用的开发方式经历了快速演变。生成式 AI 的高速发展，使得许多我们不久前构建的应用，很快就被视为“遗留系统”。
在AI应用快速发展的今天，框架选择和迁移策略直接影响着项目的成功。本文基于一个真实的企业级项目，深入分析从Microsoft Semantic Kernel迁移到Spring AI的完整实践过程，为同样面临技术选型的团队提供实战参考。
PS：本文的适用场景是：中大型老旧系统、大量的相同技术栈应用，即可以通过构建工具来获得规模化效应，进而在 ROI 的成本上获得更可观的收益。
2025 年注定不只是一个 “Agent 元年”，而是一个体系化跃迁的起点。在几个月过去，这个判断被不断印证，也不断被现实加速。
## **第一部分：全新的开发者体验：智能体生态与工具的趋同**
Blog
随着大语言模型（LLM）从被动的问答工具演变为具有自主性的智能体（Agents），传统的检索增强生成（RAG）架构正面临前所未有的挑战。当智能体需要执行长周期的复杂任务——如代码重构、法律合规审计或企业流程自动化——仅凭基于语义相似度的向量检索（Vector Retrieval）已无法满足需求。智能体不仅需要“知识”，更需要“记忆”和“结构化认知”。本文将详尽探讨一种新兴的架构范式：**代理式 RAG (Agentic RAG)**，并重点剖析其核心组件——**上下文追踪 (Context Trace)** 与 **上下文图谱 (Context Graphs)**。
前几天，我看到一篇国产 AI Coding 工具的案例文章，花了不少篇幅在讲一个“智能体的附加价值”——当你写代码写到崩溃时，它可以安慰你、鼓励你，让你感觉好受一点。
**2025，不是 AI 提升效率的一年，而是开始释放创造力的一年。**
> 本文由 NotebookLM 基于我的演讲材料《Agentic 时代的前端：当 UI 成为数字员工的执行界面》生成初稿，我在此基础上补充细节，最后由
## 引言：从 AI 辅助到 AI 驱动的必然演进
Xiuper 的后半部分来自 “super”，但它并不指向“更强的 AI”，而是指向一种 能力放大。在 Xiuper 中，AI 并不是一个只负责回答问题的助手，而是作为工程体系的一部分参与进来。它理解项目结构、理解设计决策、理解历史上下文，并在合适的阶段承担合适的角色。
AutoDev Knowledge Agent 的想法是来源于一次与客户的交流中，说到的 RAG 相关的问题：结构化数据优于非结构化数据，JSON 还可以采用
在现代软件开发中，代码审查（Code Review）早已成为质量保障和团队协作的核心流程。但在实际工程环境里，审查往往陷入
在上一篇文章《[以 ROI 为中心的 AI 代码检视体系与分级](https://www.phodal.com/blog/ai-code-review-2025/)》里，我们介绍了在不同的系统
昨天，和我的前同事（他们 Thoughtworks Global，我们前 Thoughtworks 中国区，现 Inspire）聊完 AI Code Review 之后，觉得有几个点非常不错
在新的 AutoDev MPP （Multiplatform Paradigm） 架构下，我们也基于 MPP Core 构建了 CLI 体系。而与免费送 Token 的 Gemini CLI 等相比，
依托于我们领先（于国内的）下一代开源的 AutoDev 架构，在最新发布的 AutoDev 多平台预览版（0.1.6）中，我们实现了 AutoDev Server 与
半年前，我在《AutoDev Next》那篇文章中介绍了 AutoDev 的下一代架构，其中一个核心方向就是：**多端支持**。
过去两三年，我曾为多家公司的资深开发人员开展 Agent 开发培训；最近一个月，我也一直在为毕业生设计和培训 AI Agent。直到本周，
过去的一个多月里，一直在为**毕业生**进行软件工程与 AI 开发能力培训，直到最近才有空为 AutoDev 完善 A2A 能力的支持。顺带一提，毕业生
在过去的几年中，AI Agent 应用的开发方式经历了快速演变。生成式 AI 的高速发展，使得许多我们不久前构建的应用，很快就被视为“遗留系统”。
在AI应用快速发展的今天，框架选择和迁移策略直接影响着项目的成功。本文基于一个真实的企业级项目，深入分析从Microsoft Semantic Kernel迁移到Spring AI的完整实践过程，为同样面临技术选型的团队提供实战参考。
PS：本文的适用场景是：中大型老旧系统、大量的相同技术栈应用，即可以通过构建工具来获得规模化效应，进而在 ROI 的成本上获得更可观的收益。
2025 年注定不只是一个 “Agent 元年”，而是一个体系化跃迁的起点。在几个月过去，这个判断被不断印证，也不断被现实加速。
## **第一部分：全新的开发者体验：智能体生态与工具的趋同**