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。
本文深度拆解开源 Coding Agent pi 的工具调用机制，揭示其仅靠 bash、read、write、edit 四个工具即可完成核心编码任务。详细阐述了工具调用的三段式流水线（准备、执行、收尾），以及如何通过并行执行与文件变更队列解决并发冲突，为构建自研 Agent 提供了实战参考。
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。
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。
本文介绍了基于 Andrej Karpathy 的理念，利用 LLM 和 Obsidian 构建个人知识库的方法。作者将笔记管理类比为软件开发，提出“原始资料”经 LLM “编译”为结构化知识的概念。文章详细阐述了三层目录结构（摄入、编译、输出）、利用 Claude Code 实现增量摘要与索引、定期进行知识库“健康检查”以及不盲目追求 RAG 的实践建议，旨在解决笔记堆积与腐烂的问题。
作者基于三个月 Claude Code 使用经验，总结出9条关于上下文窗口管理的最佳实践。核心观点是将上下文视为有限的“白板”，通过计划模式、子代理、CLAUDE.md 规则维护、并行会话及 Skill 封装等策略，有效管理 AI 注意力，避免模型变笨和无效返工，从而显著提升开发效率。
