我的个人生活自动化 Agent 技术栈
作者详细介绍了如何利用 Codex (GPT-5.5) 构建个人 Agent 来管理邮件、WhatsApp、Telegram 等日常事务。文章强调了以 Google Drive 为单一事实来源的重要性，优先使用 API 和 CLI 以保证稳定性，并通过两个实际案例（邮件介绍、车牌更新）展示了 Agent 在跨应用工作流中的巨大效率优势。
全部文档
3 篇
Model-Harness-Fit: 模型与协作框架的深度适配
本文深入探讨了“Model-Harness-Fit”（模型与协作框架的适配）这一概念。作者通过对比 Codex、Claude Code 和 GitHub Copilot SDK，指出模型在训练后与特定的工具界面、内存协议和规划机制深度绑定。仅更换模型而保留通用框架会导致性能显著下降。文章强调，模型本身的权重不再是唯一的护城河，与其配套的整个工程堆栈才是关键。
Agent Memory Engineering
文章探讨了 AI Agent 的记忆机制，解释了为何不同 Agent（如 Claude Code 和 Codex）之间无法直接通过复制文件来迁移记忆。作者指出，这是因为模型在后期训练时与特定的记忆层“融合”了。文章对比了 Hermes、Codex CLI 和 Claude Code 三种实现，并得出结论：最聪明的架构（如向量数据库、知识图谱）输给了最简单的方案（LLM + Markdown + Bash 工具）。核心在于 Agent 遵循的读写规范，而非数据结构本身。