从单Agent到多Agent团队的协作实践与记忆设计
本文探讨了从单Agent向多Agent团队转型的实践经验。作者对比了Raft与Buzz等工具，指出多Agent架构能按角色分配模型与权限。文章重点剖析了多Agent场景下的核心痛点：跨域上下文联想、静默失败设计与分层记忆机制。作者强调，决定Agent系统可靠性的关键在于失败可见性、记忆唤醒路径及按职责隔离的设计，而非仅靠协作界面。
相关文档
让 Muse 变成你的「主管 + 专员」团队：手把手教程
本文是作者于 2026-10-25 在 Muse 中真实跑通后整理的实战教程，介绍如何用提示词把 Muse 组建成「主管 + 专员」的 AI 团队。文章讲解主管（主聊）与专员（子代理或旁聊）的区别与协作方式，提供主管提示词、派活模板、编码/审查/文档等专员提示词，并给出 5 分钟上手的 4 个步骤。作者通过「今日待办」实测发现专员自检不可靠，强调重要交付需加审查专员复核，并总结了路径写法、上下文记忆、安全红线等 6 个常见误区，最后给出日常使用流程和常见问题解答。
构建企业级 Agent Harness 的五大核心组件
LangChain 创始人 Harrison Chase 分享了在营销、销售和工程团队内部构建 Agent（GTM Agent、OpenSWE、Content Studio）的经验，总结出构建企业 harness 的五大核心要素：1) 用户体验——Agent 嵌入员工日常使用的 Slack，支持 breakout 独立线程；2) 身份——区分 On-behalf-of 代理用户身份与固定服务凭证两种模式；3) 记忆——分为全局记忆与用户级记忆两层；4) 代码执行——通过沙箱安全运行代码并借助 secret proxy 访问服务；5) 计划运行——大量任务由定时任务或事件触发而非用户显式调用，形成环境感知型 Agent。所有 Agent 均基于 Managed Deep Agents 构建。
Google 拆解 Agent Compute Engine，Claude 分享构建单智能体循环方法，CrowdStrike CEO 谈 AI 安全
本期早报精讲三篇文章：Google 公开 Agent Compute Engine 架构，通过 Harness 与 Sandbox 分离、凭据外置和快照空闲机制，兼顾智能体持续工作的便利、安全与成本；Claude 应用团队分享何时将子智能体合并回主循环，指出配合技能的单一智能体在质量、延迟和成本上常优于多角色设计，并给出渐进迁移与评测方法；CrowdStrike CEO George Kurtz 谈 AI 时代的安全变化，包括攻击速度加快、身份成为入口、数字孪生对抗演练等。速览部分涵盖 WorkForge 训练框架、Air Canada 智能体测试实践、个人 Agent 评测等内容。
How to Build Anything with Grok Bot (Full Course)
本文介绍了一套基于 Grok Bot 的多智能体协作系统，用于从发现问题到产品发布的完整流程。作者强调不要让单个机器人承担所有任务，而是组建由 9 个核心机器人组成的团队：Scout（趋势发现）、Pain Miner（痛点挖掘）、Competitor Mapper（竞品分析）、Behavior Reverser（行为逆向）、Strategy Lead（策略制定）、CEO（决策）、Spec Writer（规格撰写）、Builder（构建）和 Video Director（发布视频），各机器人通过文件交接机制协同工作，遵循每周循环流程。文章还提供了法律合规边界、clean-room 模式、免费模板链接和可选的 8 个扩展插件。
扒了市场上6254个插件，梳理出我常用的50+效率插件
作者从插件市场6254个插件中筛选整理出50+实用插件，覆盖DeepSeek Harness（DSH）生态。文章按功能分为三大类：上下文与记忆（如billion-context压缩、hindsight长期记忆）、界面与主题（Codex风格UI、桌宠、皮肤主题）、任务与开发（子代理、任务看板、Git图、代码审查、多智能体协作等），每个插件附下载量、一句话简介和GitHub仓库链接，方便读者按需查找安装。
深度体验 EverOS Cloud：让 Agent 记忆与经验沉淀为技能的测评
文章针对 AI Agent 开发中记忆缺失、RAG 低信噪比切片、状态冲突与多主体污染三大痛点，测评了 EverOS Cloud（API v2）这一 Agent 记忆操作系统。核心机制包括语义事件切割、记忆整合消解冲突、多主体严格隔离，在 LoCoMo 基准上达 93.05% SOTA，减少 90% 以上 Token 消耗。其自进化技能引擎可将任务执行链路沉淀为 Case 并蒸馏为可复用 Skill，任务成功率最高提升 234.8%。接入仅需两行核心调用，支持记忆治理 API、多模态资料挂载、MCP 协议兼容 Claude Code 等工具，以及云/本地双模部署。作者认为其适合需要跨会话跟踪意图与沉淀业务 SOP 的场景。
关于 DeepSeek Bot 的开发中的思考和取舍
作者分享了基于 DeepSeek Harness 构建的持久化 Bot 团队 DeepSeek Bot 的开发经验，重点讲解上下文和记忆系统的设计。文章对比了传统压缩派（cc）和 Codex 的实验性上下文管理（ecm），提出智能路由方式（icm）：由独立的 context manager 决定压缩还是切会话。为确保智能路由真正有效，作者采用爬山算法优化，通过搭建用例、设置训练测试集、逐步迭代提示词来提升效果，并强调屏蔽噪声和成本控制的重要性。记忆系统采用轻量设计并支持外接插件。文章最后感谢社区认可并预告 Computer use、Browser use 等更新。
别再让一个AI干所有活了：6天搭建14个机器人团队的完整思路
作者Daniel.S分享了自己用6天时间、零代码搭建14个AI机器人团队的经验。从最初一个机器人开始，到按任务拆分出短推写手、长文写手、数据复盘、市场情报等专员，再到参考他人方案补上共享文件夹和事实编辑，最后形成一套“机器人只出草稿、人拍板”的内容生产流程。文章详细记录了搭建思路、踩过的坑以及未来优化方向，适合想用AI提升内容生产效率的读者参考。
Grok Bot用不起，你可以试试DeepSeek Bot
本文介绍了DeepSeek Harness平台上的DeepSeek Bot插件，作为Grok Bot的替代方案。DeepSeek Bot支持多Bot多智能体团队协作，每个Bot可设置角色、模型和长期记忆，默认由Chief主管分派任务。文章详细讲解了安装部署、配置Chief、组建Bot团队及建群讨论的实操过程，并指出其门槛低、适合普通用户体验Agent玩法。
Grok Bot 如何改变了我的工作方式
作者分享了使用 Grok Bot 后工作方式的转变：他从主要在电脑前使用 Claude Code、Codex 等 AI 编程助手，转变为通过手机协调实际工程工作。他搭建了 29 个分工明确的机器人，由管家 Emma 协调研究机器人和编码机器人完成模型实验、微调、内容创作等任务。通过跨设备协作，他无需固定在工位即可推进研究和编码工作。他认为最大的变化不是效率提升，而是思维方式的转变——从考虑打开哪个应用，到思考要完成什么目标以及哪个机器人可以帮忙。
本周 Top AI 论文精选
DAIR.AI 汇总了本周五篇重要的 AI 论文：(1) Harness Learning，通过 RL 训练提议模型在测试时修订 agent 的 harness 代码而非模型权重，实现可泛化的适应能力；(2) CorpusMap，微软提出的基于实体的语料库导航层，让 agent 搜索更准且省 34%-57% 的 token；(3) VeriHarness，Google 提出的 agentic 验证方法，揭示多数投票的盲点，在长周期任务上提升选择准确率；(4) HERMES，将仓库组件变成主动参与者的 harness，使 GPT-5.6 在仓库迁移任务上从 6.5% 提升至 31%；(5) Sakana AI 的 MASS，用同一基座模型兼任 agent、评估者与优化者，实现多智能体自我监督进化。
Jev-Mem: 无需 LLM 的记忆决策
文章介绍了 UT Dallas 的新论文 Jev-Mem，提出用 TypeSafe AI 的 Jev 模型替代通用 LLM 来处理 Agent 记忆系统中的小决策（如判断消息类型、记忆关联、检索终止等）。Jev 只返回结构化数值或标签，无需解析文本，通过 System One 轻量控制器与 System Two 生成式 LLM 的分工，显著提升效率。在 LoCoMo 基准上，答案质量相对最强基线提升 11%，构建速度快 6.6 倍，查询延迟降低 36.7%。文章也指出其局限：阈值依赖单一模型与基准、缺乏校准概率、消融实验不足，阈值在不同模型和数据分布下的泛化能力是最大隐患。
