32｜切分与元数据：chunk、重叠、标题、时间、权限标签

本文深入探讨RAG系统中数据切分（Chunking）与元数据（Metadata）的关键作用。通过将长文档切分为语义完整的片段（如按Markdown标题结构切分），并设置重叠区保持上下文连贯，可显著提升检索精度。同时，为每个数据块添加来源、时效、权限等元数据标签，能实现精准的前置过滤，避免返回过期或越权信息。文章提供了工业级切分策略指南，强调"元数据过滤+向量检索"的组合才是解决AI幻觉问题的核心方

如何设计一个真正能解决问题的 AI Agent Harness Engineering 任务分解系统

想象一下，你是一家创新科技公司的首席技术官。你的团队刚刚开发出一款功能强大的 AI 助手，你满怀信心地向 CEO 演示：“只要给它一个任务，它就能自动完成！CEO 眼睛一亮，说：“太好了！那让它帮我们解决一个问题——设计并开发一款能颠覆市场的新一代产品，从概念到上市的全流程。你兴奋地把这个任务交给了 AI 助手。然而，几小时后，你收到的回复却是：“任务过于复杂，无法处理。这时你才意识到，虽然我们的

从 A-Mem 到分层记忆图谱：法律助手长程记忆的第二阶段优化

A-Mem 解决的是“记忆如何被组织成 note 网络”。法律业务分层解决的是“不同类型记忆如何承担不同角色”。HNSW 风格导航解决的是“系统如何解释自己找到某条记忆”。真实抽取链路解决的是“展示数据是否可信”。如果说上一篇是让系统从 0 到 1 拥有记忆，那么这一篇就是让记忆从“能存能搜”走向“有层级、有路径、可解释”。这还不是最终答案，但已经比第一版更接近我想要的法律 AI 助手：它不只是回