Agent 工程方法实践：Claude Code 与 OpenClaw 的深度对比
文章深入对比了 Claude Code 和 OpenClaw 两个 Agent 框架的工程实现。两者虽都采用 Agent = Model + Harness 的理念，但架构迥异：Claude Code 采用分层堆叠架构，服务于单线程深度编程场景，追求精确可控；OpenClaw 采用管道架构，面向多并发的生活场景，追求自主进化。文章从架构、循环、工具、指令、上下文、记忆等九个维度详细拆解了各自的工程设计权衡。
相关文档
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。
Cursor + Grok Bot + pstack：教你用原型和证据，把方案先跑一遍
本文深度拆解 Lauren 的 pstack 第二篇，探讨如何让 AI Coding Agent 在写代码前正确理解问题。文章介绍了 /how、/why、/teach、/recall 等上下文工具的用法，强调用代码而非文档来规划：先写使用教程倒推架构，通过低成本原型比较不同方案，用 /architect 让多模型并行设计并交叉评审，以及在多阶段计划中要求每一步都以可复查的证据结束。作者认为，Agent 可能比人更快更强，但最终是否接受方案仍需人来判断，验证应从开发前就开始参与决策。
为什么 Agent 自我学习不能靠实时微调参数？Claude Code 的 AutoDream 是如何整理记忆的？
文章解释了 Agent 的自我学习不能依靠推理时实时微调参数，原因在于算力成本极高且会导致灾难性遗忘。真正的经验积累靠上下文工程搭建的外挂认知系统，分为三层：执行后的反思复盘提炼经验、经验的持久归档（如 Claude Code 写入 CLAUDE.md 和 memory 目录、Codex 写入 SQLite）、动态检索注入（Claude Code 的极简索引与 OpenClaw 的向量化混合检索）。此外介绍了 Claude Code 的 AutoDream 机制，模拟人类做梦时的记忆整合，在后台空闲时扫描会话日志、合并重复经验、淘汰过时策略，保持记忆库精炼，从而让 Agent 持续进化且不被冗余记录拖垮。
我做了一个开源记忆框架，让 Claude Code、Codex、WorkBuddy 共用一个大脑
作者开源了 Agent 记忆系统 Loci，解决各家 AI Agent 记忆黑盒、不互通、拿不出来的问题。Loci 将用户偏好、决策、任务、人脉等信息蒸馏为结构化的本地 Markdown 文件，形成跨 agent 共用的“大脑”，一次告知即可在 Claude Code、Codex、WorkBuddy 等工具间生效。记忆完全私有、透明可改可删，支持分层加载避免撑爆上下文，并内置本地 Dashboard 提供任务、人脉、大脑记录等可视化管理。项目 MIT 协议开源免费，可通过让 AI 自行安装或一行命令 npx create-loci 快速部署。
Let's build Claude Code's harness (step-by-step)
本文深入解析了Claude Code的“harness”架构，解释了为何简单的模型调用不足以构建可靠的代码代理。作者通过CrewAI框架逐步重建了包括核心循环、工具管理、规划机制在内的关键组件，揭示了通过工程化手段弥补模型差距的方法。
详解 WorkBuddy 的记忆体系
文章以「好记性不如烂笔头」为喻，深入剖析了 AI 助手 WorkBuddy 的三层记忆架构（云端画像、本地长期记忆、工作区日志）。通过对比传统 AI 的「金鱼式」失忆，阐述了长程任务中「读写外部文件」优于单纯依赖上下文窗口的原理。同时，文章探讨了记忆与身份层如何赋予 AI 连续性，并与 OpenClaw 进行了横向对比。
腾讯开源 AI Agent 运行时系统 TencentDB Agent Memory
文章深度解析了腾讯开源的 TencentDB Agent Memory 系统。不同于市面上的“向量数据库+RAG”方案，该系统旨在解决长任务中的“上下文退化”问题。其核心创新在于短期压缩（Offload 机制）与长期记忆（四层流水线）的结合，通过三层回溯、任务图动态压缩及结构化记忆提取，有效管理了 Agent 的上下文窗口与记忆生命周期。
一文搞懂 Agent Harness：如何给 AI 大脑装上身体
本文基于对 ShareAI 创始人新璐的访谈，深入解读了 Agent Harness 的核心概念与架构设计。文章指出，Harness 是模型之外赋予 AI 行动能力、记忆与协作能力的“身体”。通过剖析 Claude Code 的三层结构——执行层、记忆层与治理层，作者阐述了从“流程驱动”向“模型自主决策”转变的工程实践。文章强调，优秀的 Harness 应提供类 UNIX 的稳定环境与结构化的记忆机制，从而释放模型的潜能，使其成为真正的智能合作伙伴。
你不知道的 Agent：原理、架构与工程实践
本文深入剖析了 Agent 系统的工程实现，强调 Harness（测试与约束基础设施）比模型能力更关键。文章详细阐述了 Agent Loop 的稳定性、上下文分层管理以避免 Context Rot、工具设计的 ACI 原则、记忆系统的多维度分类，以及基于失败案例的评测体系。最后通过 OpenClaw 案例，展示了如何利用 Prompt Caching 和按需加载 Skills 来优化系统架构。
Agent 开发的惨痛教训：移除封装，拥抱原生
文章阐述了 Agent 开发中的“惨痛教训”：不应过度封装 LLM 及其工具。作者指出，通过提供最小化的辅助脚本（如 CDP 接口）和 SKILL.md，让 LLM 直接访问底层能力，能够显著提升其自主解决问题的能力。这种“自愈循环”机制使得 Agent 能在遇到缺失功能时自动编写代码修复，无需人工预设复杂的中间层。
如何真正防止 Agent 重复犯错：Skillify 实践指南
本文批评了 LangChain 等框架虽有工具但缺乏工作流，导致 AI Agent 测试困难。作者提出“Skillify”模式：通过构建包含确定性代码和单元测试的 Skill（技能），将潜在的 LLM 推理转化为确定性的工具调用。文章以日历查询和时区计算为例，展示了如何利用“薄框架、厚技能”架构，永久修复 Agent 的重复性错误。
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。
