如何利用 Claude 构建高效的自动化循环系统
本文阐述了从编写 Prompt 设计循环系统的转变。文章指出循环系统包含自动化触发、Git Worktree 隔离、外部验证机制及持久化记忆等要素。通过分离执行与检查、设置硬性停止条件及人工审查阶梯，开发者可构建能够持续迭代并自主解决任务的 Agent 系统。
全部文档 / 标签: 系统设计
76 篇
为什么你学了很多 Agent 工具，还是做不出真正可用的 Agent？
文章指出许多人学习 AI Agent 时陷入了“工具焦虑”，盲目追逐 LangChain、MCP 等框架，却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调，真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束，而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning，主张从 LLM 基础、Prompt 等底层原理开始，逐步构建从基础到工程化的完整知识体系，最终实现 Agent 在真实环境中的稳定运行。
构架师教程：神话时代
文章通过Anthropic发布的Fable（寓言）与Mythos（神话）双模型策略，引出了“重构已知”与“创造未知”的本质区别。作者指出，随着AI执行能力的极度充裕，判断力和“立法者思维”——即定义“什么算对”的能力——变得稀缺且昂贵。文章提出应像为AI立宪法一样，为自己、团队或系统建立不可变的“创世层”和可进化的“判断法典”，从而从寓言时代的被动接受者，转变为神话时代的主动立法者。
OpenAI Codex 精通指南：构建可持续进化的 AI 工作系统
本指南旨在帮助读者从熟练用户进化为 Codex 精通者，核心是掌握从“用工具”到“建系统”的思维跃迁。文章详细阐述了如何通过封装 Skill、维护知识库和自动化复盘构建复利飞轮；并深入讲解了利用 Sub Agents 进行大规模遗留代码现代化、建立自动化安全审计体系、以及优化 Automation 性能与成本的高级实战技巧，最终助你搭建个人 AI 操作系统。
设计 Agent 提示循环的完整指南
文章深入探讨了为何单一提示词不足以完成复杂的 AI 任务，并详细介绍了如何设计一个能够自主运行直到任务完成的“循环”。作者提出了构建循环的五个核心步骤：定义“完成”标准、构建上下文而非指令、让 Agent 行动并捕获结果、利用反馈闭合循环、以及设置停止条件。文章强调了从手动编写提示词转向构建自动化规则系统的重要性。
如何构建多 Agent 工作流：完全指南
本文是关于在 2026 年构建多 Agent 工作流的深度指南。文章对比了单 Agent 与多 Agent 系统的区别，详细解析了 Claude Code 的三种编排原语（子代理、团队、动态工作流）及六大核心拓扑结构（顺序流水线、协调者-工作者、并行发散、生成器-验证器、共享状态、辩论模式）。同时探讨了如何设计 Agent 间的通信、避免上下文污染以及处理系统失败模式。
Hermes Harness 架构深度解析
本文深入分析了 NousResearch 的 Hermes 开源 Agent Harness 架构。文章指出 Hermes 全面实现了包括上下文管理、子代理管理、会话持久化等在内的九大核心组件。作者详细探讨了其独特优势：统一的运行时支持多种模型提供商、复杂的三层系统提示词组装、基于 SQLite 的会话即基础设施设计，以及内置的消息网关和 Cron 系统。文章最后展望了其向一级编排能力演进的方向。
存储廉价，注意力昂贵：Agent 内存系统的分层架构设计
本文探讨了Agent内存系统的设计核心原则：利用存储廉价与注意力昂贵的非对称性。文章通过分析MemoryOS、Hindsight和supermemory三个案例，阐述了分层内存架构的必要性。这种架构通常包含热数据、温数据和冷数据三层，通过不同的访问模式、数据形状和提升机制，在降低上下文噪音的同时保留关键信息，从而在有限的注意力窗口内实现最优的检索质量。
15张可直接复用的AI画图工作流架构图
本文介绍了一套包含15个高清架构、流程和数据图的AI画图工作流，并非Demo，而是可直接用于实际业务场景的技能集合。内容涵盖企业架构、系统设计、BPMN流程、云架构、数据链路、UML、网络拓扑、思维导图及信息图表等。这些工具适合开发者绘制系统设计，产品经理梳理流程与规划，以及技术写作者制作文档和汇报材料，旨在提升方案文档的结构化和专业性。
2026年AI用户必知的12层架构：构建可靠的AI智能体
文章提出了AI智能体的12层架构模型，旨在帮助用户理解AI工具的工作原理及失效原因。内容分为三部分：基础层（工作界面、智能体合约/规范、模型）、运行层（运行时状态、工具互操作性、执行表面）以及记忆与知识层。文章强调，只有理解了这些层级（如MCP协议、Agent间协作、多级记忆系统等），才能解决AI输出不稳定、工具选择困难及信任缺失等问题，从而将AI从演示带入实际工作流。
No .md files until Series B：为何生产级 Agent 需要真正的内存层
文章以一个垂直 Agent 创业公司因使用 Markdown 文件管理内存而导致架构崩溃的真实案例为引子，深入探讨了在构建生产级、多用户、多 Agent 系统时，简单文件存储无法解决的五大核心难题：细粒度权限控制、并发写入冲突、时态查询准确性、可追溯的自我改进机制，以及海量数据的检索效率。作者指出，虽然 MD 文件适合早期原型，但一旦系统规模扩大，开发者往往会不自觉地重新发明数据库，这实际上是倒退。
从零构建 LLM 架构：10 个实用经验教训
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
多智能体协作调查：Agent 到底该怎么分工
本文深入探讨了多智能体协作的工程实现细节，指出其并非简单的模型实例多开，而是涉及任务调度、状态管理等复杂机制。文章详细分析了 Codex、Claude Code、OpenClaw 等系统在触发方式（显式/语义/路由/队列）和拓扑结构（星型/链式/树型等）上的设计差异，并拆解了调用链中的关键环节。作者强调了显式控制、上下文隔离及 Merge 策略在构建高效多智能体系统中的重要性。
Agentic Memory: 详解 Agent 记忆系统的架构与实现
文章通过生动的类比，指出缺乏记忆是当前 LLM Agent 的主要短板。作者详细拆解了 Agent 记忆系统的三个核心功能：连续性、上下文和学习。文章重点介绍了四种记忆类型：上下文记忆、外部记忆、情景记忆和参数记忆，并深入探讨了如何通过检索增强（RAG）和反思循环来构建持久的智能。
超越 Ralph 循环：构建高效的长运行 Agent 系统
作者通过实验发现，仅靠简单的 Ralph 循环（重复运行相同提示词）来驱动长运行 Agent 效果有限，容易导致歧义累积和目标偏离。文章指出 Codex 的 /goal 功能虽然解决了中断问题，但存在方向性偏差和缺乏反馈的缺陷。为此，作者提出了一套更优的工作流：在开始编码前进行严格的“设置阶段”，通过 /interview 命令让 AI 提问以消除模糊性；并采用多智能体协作模式，利用编排器管理子团队，以提高任务完成的质量和准确性。
Claude Code 的 Agent 开发工具包：AI 工程化的未来蓝图
文章指出 AI 正从简单的“聊天机器人”演化为复杂的“操作系统”。作者深入剖析了 Claude Code 的 Agent Development Kit 架构，该架构包含五层设计：作为记忆层的 CLAUDE.md、作为知识层的 Skills、作为护栏的 Hooks、用于委派的 Subagents 以及用于分发的 Plugins。这套蓝图将 AI 转变为具备记忆、规则、委派和编排能力的数字组织，标志着开发重点从提示词工程转向了 AI 基础设施工程。
Your .claude Folder Is Your AI Operating System
文章深入探讨了如何充分利用 Claude Code 的能力，指出真正的规模化不在于优化提示词，而在于构建围绕 Agent 的工程系统。核心内容包括利用 `.claude/` 目录建立持久化项目记忆、区分项目与个人配置、使用模块化规则替代巨型提示词、通过 Hooks 拦截危险操作、构建专用子代理以及配置权限边界。文章强调未来的开发将从“聊天”转向“编排”，通过环境设计来确保 AI 行为的一致性与安全性。
Context engineering: 构建卓越 Agent 的关键
文章探讨了“Context engineering（上下文工程）”作为构建优秀 AI Agent 的核心挑战与解决方案。相比于传统的 IVR 和预设流程，Context engineering 通过“渐进式披露”和条件逻辑，确保 Agent 在对话的每一个时刻都能获得最相关且最少量的信息。这不仅解决了模型处理大量 Token 时的性能下降和幻觉问题，还能让 Agent 充分利用大模型的推理能力，适应复杂的现实场景，并随着模型升级而自然进化。
Memory Is State, Not a Service
本文指出企业 AI 工具普遍存在“记忆碎片化”问题，主张构建“公司大脑”应将记忆视为共享状态而非独立服务。文章提出语义记忆文件系统架构，通过实体、事实、状态变化和关系存储，利用本体论作为透镜，让同一记忆在不同角色和 Agent 面前呈现不同上下文，从而解决信息孤岛，实现人机共享的可信赖记忆底座。
Agent Skills：从通用智能到可执行能力的跨越
文章探讨了如何通过 Anthropic 提出的 Agent Skills 概念来解决大语言模型在实际应用中“执行”能力的缺失。作者指出，AI 不仅仅需要指令和提示词，更需要通过结构化的技能包来封装上下文、指导和执行逻辑。文章详细分析了技能的内部结构（如 SKILL.md 和可执行代码）以及“渐进式披露”在上下文管理中的作用，强调了从单纯的 Prompt 工程向系统设计与安全构建转变的重要性。
99% 开发者误解的 Claude 技巧：从对话到系统
文章指出了大多数开发者在使用 Claude Code 时仅停留在“对话”层面的误区，提出了将其视为“可编程推理引擎”的理念。作者详细阐述了如何通过构建“输入层-推理层-执行层-反馈层-记忆层”的系统架构，利用 Prompt Builder、自动化测试闭环和 CLAUDE.md 记忆机制，将 AI 从辅助工具转化为高一致性的生成系统。
Sub-Agents vs Agent Teams: 改变一切的架构决策
文章深入探讨了在构建复杂 AI 系统时，如何在“子代理”和“代理团队”两种架构模式之间做出正确选择。作者指出，大多数系统错误的按角色（如规划员、开发员）拆分，导致上下文丢失；正确的做法应是基于上下文边界进行拆分。Sub-agents 适用于独立的、需要隔离和并行处理的任务，专注于执行；而 Agent Teams 适用于需要深度协作、上下文共享和实时协调的复杂依赖任务。文章还总结了提示链、路由、并行化等 5 种核心设计模式，并强调了从简单开始、按需增加复杂度的原则。
使用 Subagents 保持 Claude Code 上下文整洁
文章介绍了 Claude Code 中 Subagents 的概念与应用。Subagents 是运行在独立上下文窗口中的专用助手，可隔离运行环境并仅返回结果。文章详细说明了如何通过 Markdown 文件创建 Subagent，内置的 Explore 和 Plan 功能，以及通过环境变量或命令上下文继承的 Fork 机制，有效避免主上下文被冗余信息污染。
Claude Skills 完全指南：从构建到自动化部署
这是一篇关于如何掌握和使用 Claude Skills 的实用指南。文章详细解释了 Claude Skills 的定义、与其他组件（Projects, MCP）的区别，以及如何构建、测试和部署一个 Skill。内容涵盖了基础结构、YAML 触发器编写、多技能系统架构、测试排错方法以及生产环境中的状态管理，旨在帮助用户将 Claude 从简单的聊天工具转变为定制的自动化系统。
逆向工程 GPT、Claude 与 Hermes：大多数 AI 产品不应该配备记忆功能
作者通过逆向工程 ChatGPT、Claude、OpenClaw 和 Hermes 四个系统的记忆功能，发现“显性状态”往往优于“隐性记忆”。文章指出，大多数团队在存储层投入过多精力，却忽视了更关键的检索策略。默认注入记忆的模式容易导致输出质量下降，真正的解决方案应是将记忆变为模型按需调用的工具，而非被动的背景上下文。
AI Coding 已经变天：从 Prompt Engineering 到 Harness Engineering
文章指出 2026 年 AI Coding 的瓶颈已从模型能力转向工程范式。通过 OpenAI、Stripe 等案例，阐述了从 Prompt Engineering、Context Engineering 到 Harness Engineering 的演进。Harness Engineering 强调通过结构化知识、机械化约束、可观测性注入等五大支柱，构建让 AI 可靠工作的环境。作者提出人类角色应从“写代码”转变为设计让 AI 干活的系统。
Hermes Agent 智能化升级：集成 Honcho 与 Hermes-LCM 构建可控系统
文章介绍了一种通过集成 Honcho（自托管记忆层）和 Hermes-LCM（测量控制层）来升级 Hermes Agent 的技术架构。该方法解决了传统 AI Agent 容易遗忘上下文、缺乏可观测性和难以在生产环境中复现的问题。通过建立执行（Hermes）、记忆和验证（LCM）的三层体系，构建了一个具备持续上下文、透明操作和可重复结果的可靠 AI 系统。
后端工程师必知的20个并发编程核心概念
Atlassian 首席工程师总结的后端面试与系统设计中的 20 个并发编程核心概念。文章涵盖了从基础的并发与并行、进程线程区别，到互斥锁、信号量、死锁、CAS、线程池及生产者-消费者模式等进阶主题。旨在帮助工程师掌握并发原语，理解性能权衡，从而构建可靠的生产级系统。
企业需要大脑而非连接器
文章指出，当前的 AI Agent 侧重于通过 RAG 和 API 连接工具来检索信息，但检索不等于理解。真正的企业级 AI 应像一位资深幕僚，能够综合多源数据、解决冲突、追踪时效，并建立对企业环境的动态认知（“企业大脑”）。作者提出通过构建“上下文图谱”并将其以文件系统形式输出，让 Agent 能够获得经过综合处理的深层理解，而非每次都从零开始搜索。
模型是引擎，系统是车身：AI 架构工程随笔
文章反驳了 Kyle Kingsbury 关于 LLM 不可靠的结论。作者认为，裸模型仅是“引擎”，其不可预测性需通过“车身”工程（如 Harness、Resolver、确定性工具）来解决。不应测试模型本身，而应测试由模型、路由和工具组成的完整系统。
