1.告别“失忆”的组织：构建企业级 AI 记忆基质的工程思考2.脚本的下一站：让自然语言直接成为可执行入口3.告别“轮流发言”：为什么说“交互模型”才是 AI 对话的未来？4.当用户觉得 Agent 变笨时，真正退化的往往不是模型5.AI 不是天然站在进步主义的对立面6.做 Agent，先把 Prompt Cache 当成系统架构来设计！7.逃离地球！AI数据中心的太空狂想曲8.疯狂五月：AI 化身最强“神探”，重塑网络安全攻防战9.深度拆解 Agent 引擎：从 Prompt 到 Harness Engineering，揭秘 AI 操作系统的工程本质10.AI 编程提效反思：构建健壮软件，为什么更需要“消化”的时间？11.软件工程师的终结？当 AI 代理让开发门槛降为零，硬核开发者的底牌是什么12.TencentDB Agent Memory 架构拆解：告别 Agent 失忆，构建四层可追溯记忆与上下文治理系统13.狼来了？如果我们正处于AI泡沫中会怎样？14.Hermes Agent /goal 长任务运行时架构拆解：状态持久化、Judge 闭环与自主续航15.DeepSeek-V4-Flash 让 LLM Steering 重回主舞台：本地大模型时代的模型操控工程实战16.Agent Runtime 九个关键设计：状态外化、上下文压缩与多智能体协同17.2026 年我作为资深工程师如何使用 LLM Agent：从副驾到主驾的真实工作流转变18.OpenClaw Dreaming 记忆流水线底层架构：状态分层、证据留痕与检索回流19.AI 基建账单：8000 亿 capex 砸下去，云厂商到底回了多少本20.Agent Harness Runtime 架构深度解析：工具循环、状态外置与长程任务调度21.当AI 算力进入锁仓时代，AI 就不再只是软件生意！22.为什么 AI Coding 难进生产环境？深入了解 Everything-Claude-Code ！23.AI 正在抬高手机价格：HBM 抢产能，消费电子为什么越来越贵？24.平台智能化到了分水岭：为什么配置代码化才是 AI Coding 的下一代接口25.技术沟通为什么总在返工？你写的是文档，产品听到的却不是同一种语言26.Claude Code 如何压缩上下文：Microcompact、Prompt Cache 与 cache_edits 工程拆解27.前端别再乱接管浏览器了! 自定义滚动、密码框、日期控件，这些为什么总把体验做坏？28.Agent Harness 架构真相：Prompt Cache 如何决定 Skill、MCP 与 SubAgent 设计29.AI 智能体正在放大低质量代码：为什么大组织会先被反噬？30.RAG 负责召回，LLM Wiki 负责沉淀：团队知识系统为什么不能只做检索31.AI 已经进流程了，但人不能从责任链上消失：招聘、授信与公共服务里的治理底线32.Dynamic Workflows 深度解析：Claude Code 为什么把多 Agent 编排写进可执行代码33.Codex Context Compaction 真相：Agent 为什么压缩后还能接着干活？34.AI 代理安全架构：沙箱、虚拟机和出口控制，才是 Agent 时代真正的保险丝35.业务 Agent 搭建指南：别急着重造 Agent，用知识、工具与评测跑通闭环36.Claude Opus 4.8 Agent 交付力拆解：为什么它更像工程负责人？37.CodeGraph 代码图谱实战：AI Agent 为什么不该再从 grep 开始？38.AI 搜索正在改写 Web 入口：为什么搜索框不再把人送到网页39.Agentic Skill Routing 实战：别再把所有 Skill 塞进 AI Agent 上下文40.AI 没有 ROI？企业真正暴露的，是 Token 成本失控！41.AI Coding 如何影响交付链路重构：写代码更快了，为什么人反而觉得更累了？42.AI 编程争论变味了：为什么反 AI 情绪开始走向怀旧化43.Agent 工具链工程化： Skill 负责编排判断，CLI 稳定交付的执行边界44.LLM 编程提速之后，为什么你反而更难想清楚问题？45.Harness Engineering：Agent 真正能交付，靠的不是更强模型，而是上下文、执行协议和验收闸门46.AI Skill 市场的安全账：为什么说 Skill Registry 本质上是新的供应链入口47.AI Native 竞争力：真正稀缺的不是会用 AI，而是把事往前推的人48.AI 生成 PR 正在刷爆开源项目：GitHub 贡献信号为什么失灵了？49.Google AX 控制面拆解：分布式 Agent 如何把断点恢复、审计策略和执行调度收进同一条链路50.LLM 写代码的新风险：不是写错，而是差一点就好51.Agent Workflow Runtime 架构拆解：把 Agent Loop 从提示词搬进代码，长任务才真正稳了52.LLM 写代码为什么不能盲信：AI 编程进入生产前，必须过人类的门53.GEPA 架构拆解：让 Prompt 和 Skill 优化不靠玄学54.UI Output Protocol 架构拆解：Markdown、HTML 和 UI DSL 如何分工55.Hermes Agent Skill Runtime 架构拆解：让 AI Agent 不再从零开始56.Loop Runtime 架构拆解：别再手动催 Agent，先把工程闭环跑起来57.AI 支付大战开打：微信支付宝争夺下一代交易入口58.AI Native 架构：有限上下文、确定性边界与质量闸门59.Claude 网络安全实测：AI 攻防能力正在从聊天走向执行60.Agent Coding Governance：上下文地图、运行时护栏与自进化 Loop 如何重塑 AI 编程交付61.OpenAI 护城河收窄：大模型竞争正在从能力领先转向入口、成本与工作流62.LLM 记忆系统：从 Markdown 知识库到 Self-Governing Repo63.AI 短剧“买脸”上热搜：500 元肖像授权背后的生成式内容生意64.AI 生产力陷阱：你变快了，但团队为什么更慢了？65.Agent Skill 状态机工程：Mode-Step 网格如何拆开工作流边界66.Yog's Law：创作者别为曝光倒贴钱67.Multi-Agent 执行闭环：AI Coding 真正进生产，要靠模型分工和工程护栏68.Claude 蒸馏争议升级：Anthropic 指控阿里，模型输出边界被撕开69.SkillOpt 架构拆解：把 Skill 文本当参数，用执行轨迹训练 Agent70.AI 数据中心的真成本：GPU 之外，电网、水和噪音才是硬账71.Agent Loop 架构拆解：让 AI Agent 自己跑完验收闭环72.AI 账号实名化来了：提示词、代码和日志都会绑定真实身份73.AI Coding 不只靠 Prompt：Agent 工程闭环如何接入 DevOps74.Seedance 2.5：AI 视频生成进入全像素时代75.AI 研发共生架构：别再问 AI 会不会替代程序员啦！76.AI 简历正在制造匿名感：别让求职材料抹掉你这个人77.Agent 工程化新底座：用 CLI 契约层打通 HTTP 接口与业务能力78.豆包、千问下线智能体：平台 Agent 正在告别开放广场79.团队落地 Agent 工程化 Loop 的一些必看小技巧！80.Meta 外售 AI 算力：泡沫争论终于进入硬件账本81.Agent 评测系统架构：从指标分层到 GT/Judge 闭环的工程化落地82.AI 手机进入 Agent 时代：Siri、Gemini、豆包都在争夺下一代移动入口83.Agent Runtime 架构拆解：Prompt 如何变成可校验的执行链路84.Claude Code 被禁争议背后：Coding Agent 正在进入企业安全审计时代85.Hermes Skill Runtime 架构拆解：三层加载如何压住 Agent 上下文成本86.开源大模型风险升级：DeepSeek 之后，模型供应链会被监管吗？87.Agent Tool Interface 架构拆解：为什么好工具比强模型更决定成败88.AI 编程正在变天：从“写代码”走向“管系统”89.Hermes 上下文压缩架构：长任务 Agent 不失忆的几个关键设计90.AI 搜索摘要正在吃掉开放网页：Google 答案层背后的内容生态危机91.Agent Memory 架构拆解：别再把向量库当唯一记忆系统92.Meta AI 管理实验翻车：指标化正在伤害工程组织93.Agent 从上手到精通：打造有记忆的个人智能体94.Figma AI 设计工作流变了：画布正在吃进代码、动效和团队协作95.企业 Agent 为什么难落地：组织、数据和流程才是真卡点96.Agent 长程任务架构设计指南：上下文管理、错误纠偏、目标约束与框架选型97.GPT-5.6 更聪明之外：模型竞争开始算成本账98.SAG 知识库检索机制：Event-Entity 索引、SQL 动态超边与多跳 RAG 召回链路99.Big Tech 反垄断换战场：州政府和海外监管正在接力100.代码不是 AI 编程的最终资产，AI Coding 真正该存的是 Checkpoint101.AI 陪伴智能体降温：豆包、千问之后，角色 Agent 正在进入合规深水区102.Agent 评测别把「调优 Loop」 跑成「刷题 Loop」103.GLM-5.2 低价冲击：企业开始认真给 Token 算账104.Claude Tool Search 深度拆解：延迟加载、工具引用和与 Codex 对比105.Vibe Coding 不是终点：AI 编程教育真正该补的是打开黑盒的能力106.Agent 可消费知识库建设：从文档资产、业务路由到可信上下文基础设施107.Coding Agent 的组织风险：局部正确，团队失语108.AI Agent、架构决策记录与工程上下文治理：团队如何把隐性约束留在仓库里。109.为什么 Google Agent Teams 会重写软件交付110.Agentic Engineering 组织级研发闭环的工程化拆解111.AI 转型为什么失败：李开复把问题指向管理层112.Agent OS 视角：别再把 Graph、Loop 和 Harness 当成并列概念113.Skill 评测体系：从格式检查到真实任务验证的五层证据链114.Agent 自进化为什么难：约束系统比自我反思更重要115.Brainstorming 与 grill-me 在 AI 产品设计和工程决策中的分工边界116.Agent Runtime 如何用 Session、Memory、User Profile 和 Skill 实现外部学习117.Loop Engineering 与 Graph Engineering 的关系：单任务循环如何进入多节点协作图118.MCP 无状态化升级解析：会话移除、MRTR、请求头路由与云原生 Agent Server119.Opus 5 系统提示词拆解：模型能力、运行时工具、记忆规则和可靠 Agent 设计120.AX Tree：Agent 操作电脑时，真正需要的不是截图，而是界面语义121.别只给 AI 产品接模型：Agent 能做成事，靠的是策略和 Harness122.DeepSeek Harness ：Agent 自我改进之前，先让 Harness 可观察、可组合、可回滚123.DeepSeek Harness 为什么能热换模型：插件依赖、事件日志与回滚机制124.Agent Team 真正缺的不是更多 Agent，而是同步协议125.Prime Agent 把 Coding Agent 从工具调用推向可恢复工作流126.MoE 的关键不是专家多，而是路由稳127.强模型时代，提示词要从步骤清单改成任务契约128.DeepSeek Harness：从固定内核到可塑运行时129.长程 Agent 任务不跑偏，靠的不是多开几个会话130.DeepSeek Harness 不是银弹：一切皆插件背后的工程账131.Agent 运行时不是聊天流，而是给 LLM 补操作系统132.DeepSeek Harness 的价值不在 Loop，而在运行时组合133.OpenSpace：Agent 真正该进化的是 Skill 层134.好的 AI 办公应用，不是聊天框，而是能跑完流程135.当 LoRA 变成 Agent 工具：模型会不会开始管理自己的长期记忆136.长任务 Coding Agent 的关键不是写代码，而是交付链路137.DeepSeek Harness 的 Agent 运行时设计138.LLM 强化学习为什么能落地139.RAG Hybrid 到底混合了什么140.Claude Code 为什么用随机动词缓解等待焦虑141.“你是专家”这句 Prompt 该删了吗142.数字分身 Agent 的工程内核143.Agent 记忆系统难在取舍144.Agent 边界不能只写在提示词里145.大模型迎合评测？我们最终要测什么？
146.Codex 记忆机制的两条路
147.Agent 记忆系统的分层设计148.给 Agent 看的 Install 文档应该怎么写长任务续航有压缩历史和主动换窗两条路，差别在于细节是否保留、恢复责任放在哪里。
用 Token Budget、History 和 Notes 理解长上下文任务的接力机制
长上下文任务有两种续航方式。
一种是把历史压成摘要，让模型带着摘要继续。另一种是换一个新的工作窗口，把旧记录留在外部，再用 History 和 Notes 按需找回。
这两条路解决的是同一个问题：任务还没结束，Context Window 先快满了。
区别在于，一个把旧信息重新打包后自动带入新上下文，另一个把工作区清空，把恢复责任拆给笔记和历史检索。
图：压缩和换窗对应两种完全不同的任务接力方式
摘要式压缩把历史变短，也会把细节变少
Compaction 的思路很直接。
当上下文快满时，系统把旧消息、工具结果、模型判断和任务进度整理成一份 summary，再把这份 summary 放进后续上下文。
它的优点是模型不用主动找旧信息。新一轮推理开始时，摘要已经在上下文里。
它的风险也来自这里。摘要会有损：
- 长日志可能只剩结论
- 失败路径可能被合并成一句话
- 文件名、命令、错误码可能被漏掉
- 被推翻的判断可能继续留在摘要里
对简单任务来说，这种损失可以接受。对排查、迁移、实验复盘这类任务来说，被删掉的细节往往正是下一步需要核对的证据。
Token Budget 让模型提前知道空间余额
另一条路径从预算感知开始。
运行时把当前窗口编号、窗口总容量和剩余 token 写进模型可见的上下文。模型不再只能等系统触发压缩，而是能在任务中途看到自己还剩多少空间。
这一步只负责提供事实：
| 事实 | 作用 |
|---|---|
| 当前 window id | 区分正在使用第几个工作窗口 |
| context window 容量 | 说明当前模型最大可承载多少 token |
| 剩余 token | 帮助模型判断是否需要提前腾出空间 |
| 阈值提醒 | 在空间下降到关键比例时提醒模型 |
预算感知不等于自动切换。它只是让模型拥有规划能力。
模型真正要判断当前任务阶段是否适合换窗口，以及旧上下文继续保留是否还有价值。
new_context 开启新工作区，不生成摘要
当模型判断需要换窗口时，可以调用 new_context。
这个动作不会把旧历史总结成一段话，也不会创建新任务。它只是请求运行时在当前任务内开启一个新 Context Window。
运行时随后完成几件事：
- 等当前模型响应和工具调用收口
- 记录一次上下文切换事件
- 推进 window id
- 用系统指令、开发者约束、工具、权限和环境重建初始上下文
- 替换当前活跃历史
- 写入 checkpoint，保证任务可以恢复
新窗口是干净的。它不自动携带上一窗口里的长日志和旧对话。
这让模型获得空间，也避免过期信息继续干扰后续判断。
History 负责回查，Notes 负责接力
换窗口之后，旧内容不能消失，否则任务会断。
这里需要两类记忆。
| 机制 | 定位 | 适合保存什么 |
|---|---|---|
| History | 只读历史索引 | 原始消息、工具结果、旧窗口条目、完整证据 |
| Notes | 可写工作笔记 | 当前目标、已确认结论、失败路径、下一步、验证命令 |
History 的价值是准确。需要核对用户原话、错误日志或命令输出时，模型可以回到原始记录。
Notes 的价值是快。换窗前，模型把当前任务骨架写成短笔记。换窗后，先读 Notes 就能恢复方向，不必把几万 token 的旧历史重新塞进窗口。
这两者配合后，旧信息有了更细的使用方式：
- 默认不进入新窗口
- 任务需要时按点召回
- 先读短状态，再查原始证据
- 读完后继续更新 Notes
摘要和换窗的关键差异
| 维度 | 摘要式压缩 | 换窗加记忆 |
|---|---|---|
| 旧信息处理 | 压成 summary | 保留原始历史，默认不带入 |
| 新窗口内容 | 自动携带摘要 | 只带启动上下文和必要提示 |
| 细节保留 | 取决于摘要质量 | History 保留完整记录 |
| 状态接力 | 摘要承担 | Notes 承担 |
| 模型角色 | 被动接受压缩结果 | 主动判断何时保存和换窗 |
| 主要风险 | 摘要遗漏或污染后续推理 | Notes 没写好会断线 |
两条路径并存，适合的任务不同。
摘要式压缩适合自动化续航，换窗加记忆适合长任务、强证据和阶段边界清晰的工作。
这套设计带来的启发
长上下文管理不能只靠扩大窗口。
窗口再大，也会被日志、工具结果、失败分支和中间推测填满。更好的方向，是把上下文管理拆成四件事：
- 让模型知道剩余预算
- 让模型在阶段边界主动申请新窗口
- 让运行时确定性地完成切换
- 让外部记忆保存原始证据和短状态
这样一来，模型不用背着所有历史继续推理，也不会因为换窗失去任务连续性。
它能在新的工作区里继续做事。需要旧证据时，再从 History 中精确取回。需要任务骨架时，先读 Notes。
长任务需要的不是一份越来越长的聊天记录。更可靠的是一套能放下、能接上、能回查的记忆机制。