Agent Sandboxes 实践概述
文章深入探讨了 Agent Sandboxes 的实际应用，通过隔离性、状态管理、发布等维度的对比研究，详细分析了 Agent 运行时的两种放置模式及其架构差异。
相关文档
OpenAI Agents API 公测版实测：从 Session、沙箱到 Skills
作者对 OpenAI 发布的 Agents API 公测版进行了端到端实测，通过两次 POST /v1/agents/sessions 调用，体验了托管沙箱中的文件读写和 Skill 任务执行。文章介绍了 Agents API 开放的 Codex 背后托管 Agent Harness 的能力，以及 Agent 的三个层次（模型与 Harness、沙箱执行环境、工具与工作流），并详细记录了 Session 创建、SSE 事件流、Agent 在沙箱中的真实执行过程，包括命令失败后的自主恢复、CSV 数据校验与 JSON 输出，以及通过 Artifacts API 取回任务产物的完整流程。
读完醍醐灌顶啊！人大联合北大、清华等团队发布149页Agent综述：Prompt时代正在结束，Runtime时代已经来了
本文介绍了一篇由人大联合北大、清华等团队发布的关于长时程智能体（Long-Horizon Agents）的综述论文。文章指出，AI Agent 下一阶段的竞争关键在于能否持续工作数小时甚至更久，而不仅仅是模型本身的智能。作者强调，强大的 Agent 需要结合模型能力与外部 Harness（运行系统），并提出了 Agent 发展的三个阶段（Prompt Engineering、Context Engineering、Runtime Harness）以及三个能力等级（H1、H2、H3）。最后，文章列举了长时程 Agent 在软件工程、深度研究、电脑操作、多模态和通用生产力等领域的应用，认为 AI 正从单次回答向持续完成工作转变。
Agent 系统中的上下文与记忆工程
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。
The Hermes Agent Memory Guidebook
这是一份关于 Hermes Agent 记忆系统的终极指南。文章深入解析了 Hermes 的三层记忆架构：开箱即用的原生层、可选的插件层以及社区扩展层。作者详细说明了本地数据库与 Markdown 文件的协同工作机制，澄清了关于记忆合并的常见误区，并强调了记忆在 Agent 从无状态聊天机器人转变为具备技能累积和个性化能力的智能体过程中的关键作用。
Hermes Agent 记忆系统架构指南
本文详细介绍了 Hermes Agent 的记忆系统架构。作者指出，记忆是 Agent 区别于普通 Chatbot 的核心。Hermes 的记忆栈分为三层：开箱即用的原生层（包含本地数据库和两个 Markdown 文件）、可选的官方插件提供商层、以及社区构建的扩展层。文章深入解析了内存文件的运作机制，如字符上限、自动合并的误区以及 Agent 如何自主管理记忆。
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。
Production Deep Agents 运行时指南：弹性执行、内存与多租户
本文探讨了将长运行周期的 Deep Agents 部署到生产环境所需的运行时基础设施。文章指出，除了 Agent 的 Harness（提示词、工具）外，更关键的是底层的 Runtime，它提供了弹性执行、持久化内存、多租户隔离、人在回路（HITL）和可观测性。文章详细介绍了如何通过检查点机制实现故障恢复与状态恢复，区分了短期与长期内存的存储策略，并阐述了在 Agent Server 中实现数据隔离与鉴权的多租户方案。
Why Karpathy’s Second Brain Breaks at Agent Scale. How Mercury Solves It.
本文探讨了 Andrej Karpathy 的 LLM Wiki 工作流在人类“第二大脑”场景下的优势，指出其在处理 AI Agent 时的局限性。文章强调，人类记忆优先考虑可读性和反思，而 Agent 记忆系统则需要快速检索、低 Token 成本和冲突解决。Mercury 提出的混合架构方案，主张使用 Markdown 作为人类界面，同时采用结构化内存作为 Agent 的底层设施，以实现上下文的持续累积和可靠运行。
2026年AI Agent构建指南：必须掌握的Memory Stack
文章指出AI构建者不应关注模型本身，而应聚焦于底层的可移植Memory Layer。作者通过项目'brain'展示了一种基于Git作为唯一事实来源、SQLite FTS5作为衍生索引的解决方案。这种架构支持跨工具（如Claude Code、Cursor）的通用记忆，实现了数据的类型化、索引、审计和同步。文章详细阐述了Git作为存储的优势、SQLite检索的高效性、秘密扫描及防御机制，强调了类型化事件和可回滚性对于Agent记忆系统的重要性。
Agent Harness 中的上下文管理机制深度解析
文章深入探讨了构建 Agent Harness 时面临的上下文窗口管理挑战。通过对比 Pi、OpenClaw、Claude Code 和 Letta 四种主流系统，详细分析了它们在处理大文件读取、会话剪裁和摘要生成时的不同工程策略。文章指出，优秀的系统不应将上下文窗口视为被动缓冲区，而应主动管理状态、建立索引并智能分页，以维持长会话中的连贯性。
Agents 201: The Unit Shrank
文章探讨了 AI Agent 架构的演变。作者认为传统的单体 Agent 因 Token 成本过高和缺乏专业化而失效，基本单元应从“Agent”转变为更小的“Worker”。文章介绍了由 Worker、Function 和 Trigger 组成的全新编排模型，实现了更高效的模块化开发、灵活的架构模式以及安全运行时。
生产级深度 Agent 的运行时解析：LangSmith 的架构实践
文章深入探讨了构建生产级 AI Agent 所需的运行时基础设施。作者区分了围绕模型的“挽具”与底层“运行时”，并详细剖析了运行时的四大核心能力：持久化执行、长期/短期记忆管理、多租户隔离以及人机协同。这些机制解决了 Agent 在长时间运行、状态恢复和数据安全方面的关键挑战。
