发现了系统设计版的 LeetCode：BugFree.ai 评测
本文介绍了 BugFree.ai，一个被称为“系统设计版 LeetCode”的 AI 驱动平台。它解决了系统设计面试准备资源分散的问题，提供类似 LeetCode 的交互式练习、基于难度的分类、AI 模拟面试及反馈功能。此外，平台还涵盖面向对象设计（OOD）练习和简历优化，旨在帮助开发者全方位准备 FAANG 面试。
全部文档 / 标签: 架构设计
190 篇
Building a Hermes Fleet Zero To Hero
本文记录了作者复现 Moshe 的自托管 Agent 架构 (Hermes Stack) 的过程。作者精简了系统，在单机上利用 Qdrant、Ollama 和 mem0 构建了共享记忆层，实现了 Claude Code 会话与 Agent 之间的上下文同步。文章重点涵盖了记忆层的搭建、Claude Code 钩子脚本的实现、模型路由的本地回退机制以及运维中遇到的 IPv4 优先和幂等性键等“坑”，验证了该轻量级架构的可行性。
AI App 省钱指南：如何将月度账单控制在 1700 美元以内
作者分享了运营两个拥有 39 万用户的 AI 应用的实战经验，通过模型路由策略和智能缓存技术，成功将 AI 成本控制在每月 1700 美元。文章详细剖析了不同 OpenAI 模型的成本差异，并提供了针对简单、中等和复杂任务的最佳模型选择指南。
D0 架构：构建知道何时不交易的 AI 代理
文章探讨了在金融市场中构建 AI 交易代理的挑战，指出单纯提升模型智能度不足以保证安全，关键在于架构设计。作者提出了“受限自主性”的概念，并详细介绍了 D0 架构的四个核心层次：验证状态、类型化边界、约束层和闭环进化，旨在确保代理在处理真实资本时的安全性与有效性。
GBrain 架构解析与实战指南：为 AI Agent 注入持久化记忆
文章详细介绍了 YC CEO Garry Tan 开源的 AI 基础设施 GBrain。这是一个为 AI Agent 设计的个人知识层，通过 Git 仓库、Postgres（pgvector）和技能文件的三层架构，解决了 Agent 无状态的痛点。文章深入解析了其搜索管道、知识模型（编译真理+时间线）及数据集成方案，并指出了其对高级模型的依赖。
Hermes与OpenClaw架构深度对比：记忆与本地优先之争
文章深入对比了两大 AI Agent 框架 Hermes 与 OpenClaw 的设计哲学。Hermes 侧重于通过 Honcho 实现“自我学习”和用户建模，本质上属于自动化 Prompt 工程与画像生成；OpenClaw 则坚持“本地优先”的 Gateway 架构，强调数据主权与全平台的即时响应。作者指出，目前的框架记忆机制仍是上下文注入而非模型进化，并建议开发者根据研究、个人助手或客服等不同场景进行选择。
为什么你的“AI优先”策略可能是错的：从辅助到重塑工程流程
文章指出，仅仅将 AI 工具（如 Copilot）加入现有流程只是“AI 辅助”，而非真正的“AI 优先”。作者以 CREAO 为例，介绍了“Harness Engineering”理念：通过将代码库统一为单体仓库（Monorepo）以提高 AI 的可读性，利用 Claude 进行自动化代码审查，并建立自愈反馈循环，从而将工程流程从围绕人类编写代码转变为围绕 AI 构建系统，实现极高的迭代速度。
轻松掌握Anthropic官方给的五种多Agent协作模式
Anthropic 发布博文详解五种多 Agent 协作模式：生成者+验证者、调度者+子Agent、Agent团队、消息总线和共享状态。文章强调核心原则是“从最简单的能跑通的模式开始”，避免过度设计。作者结合 Claude Code、Managed Agents API 等实例，解读了各模式的运作机制、适用场景及潜在陷阱，指出真正的难点在于业务标准的定义。
三省六部幻觉：为何虚拟公司式多Agent架构在工程上不成立
文章批判了将多个AI Agent拟人化为“产品经理”、“工程师”等角色进行流水线协作的“三省六部”架构。作者指出该模式忽视了LLM无专业壁垒的特性，导致推理过程在传递中衰减。通过对比Anthropic、OpenAI和Google的工程实践，文章提出真正的多Agent架构应依赖显式状态文件、并行搜索而非线性分工，并强调保持推理链连续性比角色扮演更重要。
为什么你的“AI 优先”战略可能大错特错
文章探讨了“AI First”战略的误区，指出单纯引入 AI 工具并不等于 AI 优先。真正的 AI 优先需要基于“AI 是主力构建者”的假设，彻底重构流程、架构和组织，即“软件工程 First”。文章详细介绍了 CREAO 团队如何利用脚手架工程、统一代码库、CI/CD 流水线和自愈反馈循环，实现 99% 代码由 AI 编写且一天部署多次的高效模式，同时也指出了该模式适用的场景与局限性。
不懂 Harness Engineering，你所谓的 AI 转型只是在浪费预算
文章探讨了 Harness Engineering 的概念，即通过设计环境、设定标准和建立反馈来构建 AI 的工程环境，从而将 AI 从简单的聊天工具转化为能持续工作的生产力。文章对比了 OpenAI 和 Anthropic 的不同实践路径，并以 VergeX 为例，阐述了 Harness 在 AI 交易中的具体应用，包括工具调用、上下文管理、架构约束和反馈循环四大核心模块。
同步阻塞 vs 异步编排：Hermes Delegate 与 OpenClaw 多 Agent 机制深度实战对比
文章深入对比了 Hermes 的 delegate_task 机制与 OpenClaw 的 subagent 系统。Hermes 采用同步阻塞模式，类似“总承包商”，强隔离且 Token 效率高，适合并行执行独立任务；OpenClaw 则采用异步事件驱动模式，支持动态引导（Steer）和复杂编排，灵活性更强。文章分析了两者的架构差异、通信模式及安全机制，并提出了混合架构实践及 Hermes 的改进方向。
Hermes-Agent vs 自建OpenClaw Harness：Agent操作系统的记忆与架构实战对比
文章基于 Harness Engineering 三大支柱（评估闭环、架构约束、记忆治理），深度对比了 Nous Research 的 Hermes-Agent 与作者基于 OpenClaw 自建的 MemOS 系统。Hermes 主打“有界热记忆 + CLI 优先”，适合个人快速启动；自建方案则采用“无界记忆 + Hook 机制强制捕获”，实现多 Agent 协作与权限隔离，适合团队长期积累。
Claude Code 架构深度解析：构建生产级 AI 代理框架的最佳实践
本文深入剖析了 Anthropic 的 Claude Code 源代码，揭示了构建生产级 AI 代理框架的核心架构设计。文章指出，真正的代理框架不仅是模型和上下文，更包含了基础设施、多租户和权限控制。关键设计亮点包括：使用异步生成器而非 while 循环来实现可取消、可组合的代理核心；通过并发分类实现工具执行的速度与安全平衡；四级 CLAUDE.md 层级结构实现企业级策略管理；以及系统提示缓存优化、多级上下文压缩策略和精细化的错误恢复机制。
系统工程：构建有效的智能体软件
文章提出构建智能体软件应采用系统工程思维，而非仅优化局部组件。作者提出了软件工程的五个关键层面：代理工程、数据工程、安全工程、接口工程和基础设施工程。文章通过开源项目 Dash 演示了如何将 RBAC、数据隔离和多接口集成等原则应用于实际开发中，强调智能体本质仍是软件，需遵循经典的系统设计原则。
编程智能体的核心组件【译】
本文探讨了编程智能体（Coding Agent）及其运行框架的设计，重点介绍了模型、推理与智能体的区别，并详细拆解了六大核心组件：实时代码仓库上下文、提示词缓存复用、工具调用与安全验证、上下文压缩机制等。文章指出，优秀的 Harness 框架能将基础模型的潜力最大化，是编程智能体体验的决定性因素。
Anthropic内部分享：别再造Agent了，造Skills就够了
Anthropic 内部分享指出，与其为每个场景构建新 Agent，不如给通用 Agent 配置“Skills”。Skills 是打包程序化知识的文件夹，通过渐进式加载解决上下文窗口问题。文章介绍了 Skills 与 MCP 的互补关系，及其在金融、科研等领域的生态发展，类比将其比作“应用层”，强调通过知识积累让模型不断进化。
技能链：将智能体技能重新定义为情境行动
本文探讨了智能体系统中技能实现的局限性，指出技能不应是静态提示，而应是动态的情境行为。作者介绍了在 Slate 系统中通过引入“线程”和“分叉”机制，实现了上下文隔离的自动化技能调用，并提出了“编排技能”的概念，即通过组合其他技能来完成复杂任务链。
驾驭工程：从 Claude Code 源码到 AI 编码最佳实践
作者通过分析 Claude Code 源码，生成了一本名为《驾驭工程》的中文技术书。该书涵盖了 AI 编码 Agent 的架构模式、上下文策略、权限体系等生产实践细节，旨在帮助开发者系统理解 Claude Code 的工程实现，并探索 AI 编程的最佳实践。
深度解析: Claude Code 51万行源码背后的5个炸裂发现
本文基于Anthropic误暴露的51万行Claude Code源码，深度解析了其背后的产品哲学。核心发现包括：通过四维记忆系统解决AI遗忘问题；Coordinator模式揭示了AI管理逻辑与人类管理的一致性；23道安全检查与YOLO分类器构建的安全体系；极致的Token缓存策略优化；以及KAIROS等未发布的隐藏功能。文章指出，Prompt和自然语言指令体系才是AI产品的真正护城河。
Claude Code 源码背后的设计哲学：95% 代码都是 Harness
本文深入分析了泄露的 Claude Code 51 万行源码，指出其核心优势并非 LLM 模型本身，而是围绕模型构建的“Harness”工程体系。文章揭示了“先读后改”、“Fail-closed”、“四态权限管理”等设计原则，阐述了 Anthropic 如何通过上下文压缩、Prompt 编译优化和记忆系统，在承认模型局限性的基础上，通过架构约束实现了极高的准确性与安全性。
从 Claude Code 泄漏源码看 AI Agent 工程架构
本文基于 Claude Code (v2.1.88) 泄漏的 51 万行 TypeScript 源码，深度解析了业界顶尖 AI Agent 的工程架构。文章详细剖析了其基于 React + Ink 的终端交互模式、极致的 Prompt Cache 字节级优化策略、流式并发执行机制以及解决上下文污染的 Fork Subagent 架构。同时，文章还揭示了其独特的 Dream 记忆系统、基于侧查询的动态权限管理及多 Agent Swarm 协作模式，为 AI Infra 从业者提供了极具价值的技术参考。
OpenClaw多Agent架构教程：从瑞士军刀到专业团队
文章深入探讨了OpenClaw框架下的多Agent协作模式。作者指出单Agent面临认知负荷瓶颈，难以同时承担理性分析与感性创作。核心论点在于“身份驱动”优于“功能驱动”，应按PM、媒体、工程等角色拆分Agent，而非按搜索、写作等功能拆解。文章详细介绍了多实例、多架构、Sub-Agent三种模式，并分享了4-Agent系统的实战设计原则、协同机制及治理避坑指南。
深入解读 Harness Engineering：AI 工程的第三次范式转移
Anthropic 和 OpenAI 几乎同时发布关于 Harness Engineering 的文章，引发 AI 社区热议。本文梳理了从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering 的演变，解析了 Anthropic 的“生成器+评估器”循环架构与 OpenAI 的“百万行代码零手写”分层实践，并结合多位博主的观点，探讨了 Agent 时代工程师角色的转变与未来工程实践的方向。
教育博主爆款文章自动化创作 — 多 Agent 架构规划
文章详细规划了一套利用多 Agent 架构自动化创作教育领域爆款文章的解决方案。该体系包含总指挥 Orchestrator 及爆款雷达、深度分析、选题策略、素材猎手、初稿写手五个子 Agent，涵盖从数据爬取、规律分析、选题打分到素材收集和文案生成的全流程。
长时间运行的应用开发中的编排框架设计
本文探讨了如何通过改进编排框架来解决 Claude 在长时间运行任务（如前端设计和全栈开发）中的局限性。作者受 GAN 启发，设计了包含规划器、生成器和评估器的多智能体架构。通过引入上下文重置机制、制定明确评分标准以及分离生成与评估环节，该框架成功实现了自主构建高质量全栈应用的能力，显著优于单智能体模式。
你不知道的 Claude Code：架构、治理与工程实践
本文基于作者深度使用 Claude Code 的实战经验，深入剖析了 Claude Code 的六层架构模型。文章详细阐述了上下文治理的成本构成与最佳实践，解释了 Skills、Hooks、Tools 和 Subagents 的区别与设计原则，并分享了如何利用 Prompt Caching 和 Plan Mode 优化系统性能与稳定性。
重读 Agent 框架「pi」：对主流 Coding Agent 的反思与极简实践
本文分析了 Mario Zechner 开发的极简 Coding Agent 框架「pi」。文章分享了通用的 Agent 设计经验，包括保持提示词简洁、最小化工具集及文件化状态管理。同时详细介绍了 pi 的三层技术架构，以及其独特的反常规设计哲学，如采用 YOLO 模式、放弃 MCP 支持和内置 TODO，主张通过精简工具和增强可观察性来提升开发效率。
看完 Anthropic Academy 13 门课后，我对 openclaw 系统做了 17 个改动
作者基于 Anthropic Academy 的 13 门课程，对 openclaw 系统进行了 17 项深度优化。核心收获包括：采用 Adaptive Thinking 替代固定预算，可降低 30-50% 成本；引入 Think Tool 解决多步推理中的思考缺失；重构 Prompt 工程技巧（如 XML 标签分离、防幻觉指令）；以及挖掘 MCP 的高级特性（Sampling、Roots）。文章按 ROI 排序提供了详细的改动清单。
