文章深入剖析了 Pi 这个 Agent 框架的插件扩展机制。作者通过阅读源码，将插件能力归纳为四个关键切面：input 入口拦截与改写、context 视图投影（控制模型可见内容、压缩日志、脱敏）、tool_call/tool_result 工具执行前后的参数修改与结果加工、以及通过 sendMessage 的 steer/followUp/nextTurn 策略主动驱动循环，实现自愈回路。文章强调建立 Prompt、Turn、Loop 三个执行尺度的思维模型，并给出工程实践建议：优先使用社区插件，或把 Hook 机制交给 AI 代写插件。
文章分析了 Anthropic 发布的 Claude Tag——将 Claude 接入 Slack 频道，使其从个人工具转变为公司级同事。它通过被动吸收团队对话积累组织级 Context，拥有独立身份，能主动参与协作，与传统无记忆的客服 Bot 有本质区别。作者探讨了其进化的三个阶段、权限与隐私挑战、中美市场不同的竞争路径（飞书/钉钉的一体化 vs 开放生态），以及对 SaaS 行业的潜在冲击：SaaS 工具可能从用户直接使用的前台产品，变成 Agent 后台调用的基础设施。此外还讨论了组织信息权力变化、非正式知识沉淀与招聘效应等深远影响。
本文探讨了AI写作时代个人风格的真正来源。作者认为，风格不是表面的语言习惯或修辞技巧，而是长期创作中反复做出的选择——包括采用、拒绝、修改和状态判断。AI可以模仿成稿的表面，却难以复制选择的历史。文章提出建立“选择库”而非仅素材库，并给出七天风格训练方法，强调让AI辅助而非替代个人风格。
本文用通俗语言拆解了 AI Agent 的核心概念。通过将 AI 比作新员工，详细阐述了 Prompt、Context、Harness、Loop、Graph 等 11 个关键术语的含义与作用。文章提供了一套从定义目标到交付结果的完整工作链，帮助初学者理解 Agent 如何从聊天走向实际做事。
本文探讨了在 Agentic AI 系统中，上下文工程与记忆工程如何解决不同问题。上下文工程专注于单次推理调用的设计，涵盖选择性包含、结构放置、压缩和历史管理；记忆工程则关注跨会话的持久化，涉及写入策略、存储层选择和检索策略。两者在检索边界交汇，共同决定了 Agent 在实际工作负载中的可靠性。
本文从纯小白视角出发，系统性拆解了 AI 领域的 9 个核心概念：LLM、Token、Context、RAG、Prompt、Tool、MCP、Agent 和 Agent Skill。通过生动的比喻（如将 LLM 比作发动机，MCP 比作 Type-C 接口）和清晰的逻辑链路，文章阐述了 AI 从文本生成到任务执行的底层架构，帮助读者理解 AI 的能力边界、成本构成及应用开发逻辑。
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。
本文由前Google M&A团队成员撰写，深入分析了“智能革命”的演进规律。作者结合Carlota Perez的技术革命框架，预测AI发展将经历四个微观阶段：聊天、代理、语境和平台。文章指出，最终的赢家将掌握“语境”层，成为历史上最大的公司，因为它将聚合整个AI行业并消耗所有数字劳动力。
文章详细介绍了 Claude Managed Agents 平台新增的内存功能。该功能利用文件系统存储记忆，使代理能够在不同会话间保持上下文并从经验中学习。通过对比早期模型与 Opus 4.6 在宝可梦游戏中的表现，展示了模型自我组织和利用记忆能力的进化。平台通过挂载目录的方式实现多代理间的实时记忆同步与并发控制，并支持通过 API 导出。
文章探讨了 AI 进化的方向已从单纯的模型参数优化转向 Agent 的自我进化。分析了 Hermes Agent、OpenClaw 等基于 Skill 和 Context 的技术路径，指出从 LoRA 参数更新转向 SKILL.md 的范式转移降低了工程门槛。同时，作者提出了构建 EvoAgentBench 评测标准的必要性，以量化评估 Agent 的自进化能力，并展望了参数空间与 Context 空间未来合流的架构趋势。
文章批判了当前行业将设计误解为单纯“产出”的观点。作者指出，设计的难点不在于生成形式，而在于深度理解问题。引用 Christopher Alexander 的理论，设计是寻找形式与语境之间适配的过程。作者强调，虽然 AI 工具能快速生成 plausible 的界面，但无法替代设计师对问题的深度思考和判断。视觉设计过程中的缓慢探索本身就是思考的一部分，AI 生成的往往是形式而非解决之道。
文章探讨了 Agent Harnesses 成为构建 Agent 主导方式的现状，以及其与记忆的紧密联系。作者指出，闭源的 Harness 会导致用户失去对 Agent 记忆的控制权，从而形成严重的供应商锁定。为了构建个性化和具有粘性的 Agent 体验，文章主张 Harness 和记忆应当是开放的，确保用户拥有自己的数据。
文章深入分析了 GitHub 上的 AI Agent 记忆工具，将其分为两大阵营：一是“记忆后端”，如 Mem0 和 Supermemory，主要提取事实并存储于向量数据库；二是“上下文基底”，如 OpenClaw，通过人类可读的结构化文件让会话在上下文中累积。作者指出，虽然 Camp 1 主导了市场，但 Camp 2 的架构才是支持连续、多会话工作的未来方向，例如 Zep 已开始从“记忆”转型为“上下文工程”。
