本文给出提升 LLM 应用性能的 17 种手段，并特意按实施成本从低到高排列成“复杂度地狱阶梯”：先改提示词、加角色设定、用 XML 标签和结构化输出，再尝试思维链、多示例、温度调节与工具调用；只有这些简单手段用尽后，才考虑 RAG、切块、智能体循环、并行调用、评估-优化器、路由器和微调。作者强调改善系统的本质是“先改进评估，再改进系统”，并给出可验证的 trade-off：CoT 以延迟换质量，智能体循环更灵活但每步决策更慢，路由器能绕过单模型约 30 个工具的限制但增加一次串行调用。适合正在做 LLM 应用迭代、需要一份按成本排序的优化清单的一线工程师。
传统 RAG 在处理多实体关联的复杂问题时效果有限，微软、斯坦福与 Anthropic 各自独立发现图工程（知识图谱）可显著提升 AI 系统准确性。微软 GraphRAG 将非结构化文本转为知识图谱，实现 18% 准确率提升、85% Token 成本降低；斯坦福 DSPy 和 STORM 将模型视为图中的一个节点，并证明小模型配合优质图谱可超越大模型；Anthropic 通过 Claude 结合 MCP 协议，在 LaunchNotes 案例中实现事故检测速度提升 5 倍、会议时间减少 50%。文章提供了完整的图工程流水线、五个核心 Prompt 模板以及五个落地商业场景，适合正在优化 RAG 系统或探索知识图谱与 LLM 结合的工程师。
Supermemory 是一套为 AI 应用和 Agent 设计的记忆与上下文引擎，提供 API、MCP 服务、浏览器插件和 Web 应用。它解决了大模型对话间记忆丢失的问题，能自动从对话中提取事实、构建用户画像、处理知识更新和矛盾，并支持智能遗忘过期信息。项目集成了混合搜索（RAG+记忆）、文件解析和多款 SaaS 连接器，让开发者用单一接口即可为应用注入持久化、个性化的上下文能力。适合正在构建 AI Agent、需要完整记忆层的工程师，也适合希望个人 AI 工具具备跨会话记忆的用户。
Anthropic 官方维护的 Claude 实践指南集合，以 Jupyter Notebook 形式提供可直接运行的代码示例。项目覆盖从基础能力（分类、摘要、RAG）到进阶玩法（多模态视觉、工具调用、子 Agent 协同）的完整配方，尤其适合需要将 Claude 集成到生产环境的工程师快速上手。近期新增 Claude Agent SDK 与 Managed Agents 系列，展示了单行代码构建研究助手、SRE 助手等可观测、可托管的 Agent 架构。