Harness Engineering：构建决定AI Agent可靠性的七层架构
文章指出，AI Agent的可靠性不取决于模型权重，而取决于周围的脚手架（Harness）。Harness分为七层：执行环境、工具接口、上下文管理、编排与生命周期、可观测性、验证和权限边界。这七层都是需要编写和版本控制的代码，而非模型属性。此外，Harness还分为由模型构建者提供的内部Harness和开发者自行组装的外部Harness。
全部文档 / 作者: zostaff
5 篇
Memory Engineering: Designing Agent Memory That Gets Smarter Instead of Bloating
本文探讨了 Agent 内存的设计原则，指出有效内存应通过遗忘、压缩和整合事件来提升智能，而非单纯存储。文章基于 CoALA 框架，详细阐述了工作、情景、语义和程序四种内存类型的区别，强调了通过整合机制将情景转化为知识的重要性，并介绍了基于时间衰减和重要性的遗忘策略，以优化存储和推理性能。
金融中的图工程：设计稳健的Agent图
本文探讨了金融领域中Agent图的设计与实现。文章指出，Agent图解决了脚本在等待、重启和并行分支上的缺陷，并通过状态图而非DAG来实现条件路由和循环。重点讨论了状态管理、并行拓扑模式（如Fan-out、Supervisor）以及在金融任务中的实际应用。
超越直觉：基于多层数据的 NBA 比分预测系统技术指南
本文详细介绍了一个构建 NBA 预测系统的完整技术方案。该系统通过 Python 整合了三大概率层：传统体育博彩数据、区块链预测市场 Polymarket 数据，以及基于 XGBoost 的自定义机器学习模型。文章深入讲解了从数据采集、特征工程（包括四要素、ELO 评级和疲劳因子）、到模型训练与回测的全过程，并展示了如何利用 Claude API 分析市场分歧差异点，旨在通过量化手段捕捉人类直觉无法识别的比赛赢面规律。
Building a Football Match Prediction System with Claude AI
本文详细介绍了一个使用 Claude AI 构建的足球比赛预测系统。该系统创新性地融合了三个概率层级：博彩公司赔率、基于区块链的 Polymarket 预测市场数据以及自定义机器学习模型。文章涵盖了从数据收集（football-data.co.uk）、特征工程（ELO 评级、xG 代理、疲劳因子）、Polymarket Gamma API 集成，到使用 Python 库（pandas, scikit-learn, XGBoost）构建和回测模型的完整技术流程。