多路召回是现代搜索与RAG系统的核心架构设计。文章系统解析了三大关键技术环节：BM25作为传统稀疏检索的标杆算法，通过词频饱和度与文档长度归一化改进TF-IDF；RRF（倒数排名融合）解决多路召回分数不可比问题，仅依据排名位置进行粗排融合；以及基于Cross-Encoder的精排模型，通过查询与文档的深度交互实现高精准

RAG（检索增强生成）通过让大模型在回答前先从外部知识库检索相关信息，解决了传统大模型知识静态、不可追溯的痛点。文章系统讲解了RAG的完整架构：数据准备阶段包括数据提取、文本分割（递归字符分割、Markdown结构分割、Small-to-Big父子索引等策略）、向量化（对比BGE、M3E、OpenAI等Embeddin

MCP（Model Context Protocol）是Anthropic于2024年11月推出的开放协议，旨在标准化AI模型与外部数据源、工具之间的交互方式。文章将其比喻为"AI领域的USB-C接口"，解决了传统function call平台依赖性强、适配成本高的问题。MCP通过统一的中间协议层，让任何支持该协议的模

AI编码agent持续开发中，会话结束时的状态质量直接决定下一个会话的效率。文章提出"清洁状态"五要素：构建通过、测试通过、进度已记录、临时工件已清理、启动路径可用，并对比了有无清洁策略的12周实测数据。同时介绍了双模式清理策略、质量文档维护、Harness定期简化、幂等清理操作及高吞吐量环境下的合并策略调整，强调技术

单元测试通过不代表任务完成，端到端测试才能暴露组件边界缺陷。文章以Electron文件导出功能为例，说明5个组件各自单元测试通过，但端到端运行时暴露接口不匹配、状态传播错误、资源泄漏等5个跨层问题。核心观点：端到端测试不仅检测系统级缺陷，还会改变AI agent的编码行为，使其更关注组件交互与架构边界。同时强调架构规则