Ai

围绕「向量 RAG vs LLM Wiki + grep / Agent 自主检索」的四派立场梳理（谨慎派、混合派、场景决定论派、演进视角派）、四个辩论冲突点，以及一组可直接落地的决策框架：按更新频率、查询频率、数据规模、领域特性决定上不上 RAG。

单靠 Prompt 加限制词防不住注入，正确做法是搭建「输入侧 → 模型侧 → 执行侧 → 输出侧」四层纵深防御体系，其中执行侧权限管控是最硬的底线。

以 MoneyPrinterTurbo 为例，用 7 个 agent 架构维度审视一个固定管线项目：它几乎一个都不占，但这不是缺陷，而是项目性质使然。能说清"为什么这里不需要 agent"，比硬说"这里有 agent"更显研究深度。

Agent的窗口期会非常短——因为Agent本身就在提高开发Agent应用的效率，市场需求将迅速饱和。以月之暗面Alnative桌面级本地Agent为例，超5万行代码中92%由AI自主生成，工程师仅耗时一周完成架构优化与交互调校。

解读Anthropic官方手册，系统阐述如何从第一天起将AI深度融入验证、构建、运营与积累等各环节，打造真正的AI原生创业公司。