本文是 Agent 内核拆解系列第 4 篇，深入分析开源 coding agent pi 的 compaction（上下文压缩）机制。文章介绍了触发压缩的两种条件：context 超过阈值（窗口减去 reserveTokens）和 API 溢出报错，并讲解了溢出恢复流程。压缩时从消息列表末尾回溯找合法切割点（保留最近约 2 万 token 原文），之前的消息用 LLM 按结构化格式（Goal、Progress、Key Decisions 等）总结成摘要，并在末尾追加 <read-files> 和 <modified-files> 文件列表，让模型压缩后仍知道读过、改过哪些文件。文末提供配套可运行代码与实践建议。
本文剖析了开源Coding Agent的内核架构，重点讲解LLM协议层的精巧设计。一方面，通过分离API协议与服务商配置，仅用11个协议实现便覆盖了38家大模型，新增支持仅需十几行配置代码；另一方面，确立了“模型调用永不抛出异常”的核心契约，将网络中断、鉴权失败等异常情况统一降级为带有stopReason的普通事件流。这种设计不仅保持了上层Agent循环代码的优雅，还能在发生错误时保留已生成的部分内容，极大提升了系统的鲁棒性与用户体验。
文章通过拆解开源项目 pi 的核心源码，揭示 Agent 的本质是一个 while 循环。作者分析了 pi 的 792 行核心代码，讲解了双层循环、转向消息、事件流解耦、错误处理及 Token 截断防御等关键设计，展示了从玩具代码到生产级 Agent 的工程差距。
文章介绍了 Git Worktree 的功能与使用场景。通过允许一个仓库关联多个独立工作目录，Worktree 解决了开发中频繁切换分支导致的上下文丢失问题。在 AI 编程和多 Agent 协作的并行开发时代，Worktree 能有效隔离任务现场，避免互相干扰，是提升开发效率的实用工具。
文章探讨了现有 Agent 记忆方案的局限性，即仅是“搜旧聊天”而非真正的学习。作者介绍了 MemOS Local Plugin，它通过 Reflect2Evolve 机制，从对话中自动提炼策略和技能。实测显示，它能跨 Session 应用写作偏好并积累经验，代表了从“存规则”到“学策略”的进步。
本文是 Antonio Gullí 所著《Agentic Design Patterns》的读书笔记。作者不仅梳理了 AI Agent 从 Level 0（裸 LLM）到 Level 3（多 Agent 协作）的四个等级，还深入解读了 Context Engineering、Reflection（反思）、Memory 分层等核心设计模式。文章指出，大多数人在开发 Agent 时忽视了上下文工程和自我反思机制，并建议开发者先优化单 Agent（Level 2），再考虑多 Agent 协作。
文章对比了传统 Agent 编排工具（如 Claude Code、OpenClaw）的高配置门槛，介绍了 Helio 这款将 AI 融入 IM 的产品。Helio 降低了使用门槛，提供开箱即用的 AI 团队模板，并将 AI 视为系统中的“一等公民”。作者通过“内容流水线”和“SaaS 产品研发”两个实测场景，展示了 Helio 多 Agent 自动协作的能力，认为其“AI Native Workforce”的理念为解决 AI 配置复杂度提供了新思路。
