昨天外滩大会好多人
作者分享参加外滩大会的见闻，重点记录了关于 Agent 上下文管理和记忆的讨论。文章提到 OpenAI 新发布的 Agents API 把 Codex 背后的 Harness 做成托管 API，并围绕"记忆是新时代的个人网盘"的观点，畅想云端记忆、跨设备共享和知识交接的可能性。作者还引出圆桌上"妈生感"的有趣概念，期待 AI 通过记忆积累与自进化形成默契，强调验证、纠正和用户掌控权的重要性，最后期待 AI 的主动性与分寸感。
相关文档
Alloomi｜客户已经改到 V4，AI 还在执行 V1：Agent 需要的不只是上下文
本文通过一个广告片修改的实例，指出当前AI Agent在长期工作中的一个关键缺陷：无法区分旧要求与当前状态，导致执行过时指令。作者认为Agent的下一轮竞争不在于工具数量，而在于记忆、学习与执行三层能力。文章介绍了Alloomi的两份技术报告，分别对应Holistic Context（全域上下文）和Self-Evolving Agent（自进化智能体），并给出了多个基准测试结果，证明其在长期记忆、持续学习和真实任务交付上的优势。最终，作者强调AI应像人类同事一样，从项目经验中成长。
15个 Hermes Agent 核心概念详解
本文以通俗易懂的方式讲解 Hermes Agent 的 15 个核心概念，包括：harness 与模型的分层架构、按任务路由不同模型、通过终端、桌面应用、Telegram 和语音等多种界面与同一代理交互、SOUL.md 等配置文件如何定义代理行为、上下文窗口的压缩与交接机制、代理循环、工具与 MCP 服务器和插件、记忆与技能的区别，以及钩子的自动触发机制等，帮助读者理解 Hermes 各组件如何协同工作。
Agent的长期记忆与学习：从保存到判断的跨越
文章探讨了当前Agent系统在长期记忆与学习能力上的局限，指出许多系统仅能保存历史数据，却无法理解信息的时效性和判断的演变。作者以Alloomi的技术报告为例，介绍了其Holistic Context和Self-Evolving Agent两条技术路线，分别解决动态上下文管理和模型自我进化问题。通过公开评测数据，展示了在长上下文理解、持续学习和专业交付方面的提升。文章强调，真正的Agent能力应体现在将工作经验转化为模型能力，并建立从真实反馈到模型更新的闭环，这对企业级应用尤为重要。
与其由我自己来维护记忆，不如让Agent记住更多
作者分享了为Agent做知识管理的痛点：Skill无法跨项目迁移，知识库虽大但Agent无法自主利用，导致作者需要人工替Agent维护记忆。作者介绍了Alloomi产品，其通过三层架构（记得住、学得会、实践）实现Agent的自进化，并开源了OpenContext工具。作者希望未来的Agent产品能具备自进化能力，帮助用户组织底层记忆。
「自进化数字员工」是怎样炼成的？拆解 Alloomi 的三层技术路线
本文深入探讨了AI Agent从“记忆”到“学习”的进化路径，指出传统RAG方案在长周期业务中的局限性，并详细拆解了Alloomi提出的三层技术路线：任务层（Holistic Context）、脚手架层（MAPE控制环）和模型层（Self-Evolving Agent）。通过九项Benchmark验证，展示了该方案在长期记忆、持续学习和真实任务交付上的显著提升，提出了数字员工应具备“记得住、学得会、做得成”三类能力的观点。
AI 学的越勤快，反而错的越牢？
本文探讨了AI Agent的“自进化”能力，指出若训练数据包含过期或错误的历史信息，模型会越学越错。作者以Alloomi公司的两份技术报告为例，介绍了Holistic Context如何通过实体归因、时间线和关系学习清理混乱的工作历史，以及Self-Evolving Agent如何通过质量过滤、LoRA微调、跨任务回放和稀疏权重单元（Engram X）将整理后的经验安全地融入模型。实验显示，在CL-Bench上，完整SEA机制比无记忆基线提升26.1个百分点。文章强调，AI公司的下一道分水岭在于能否构建受控的经验积累与更新链路，而非单纯扩大上下文窗口。
Claude Code 内部技巧流出【附 12 个隐藏用法】
本文总结了 Claude Code 的 12 个实用技巧，帮助用户节省额度、提高效率。内容包括：按任务难度分配思考强度（effort）、提前压缩上下文避免撑满、用 /doctor prompt-audit 清理旧指令、通过分析出错会话改进工作环境、使用 claude-mem 实现跨会话记忆、用 Statusline 展示用量信息、用 /run 和 /verify 实际验证功能、写代码与审代码分离、复杂任务先用 Plan Mode、重要限制交给 Hooks 强制执行、用 Git Worktree 并行工作等。所有命令和提示词可直接复制使用。
构建 agent 时什么时候将子 agent 合并到主 agent 循环中
本文是 Claude 官方文章的译文，探讨在构建 agent 系统时何时应将子 agent 折叠进主 agent 循环。文章指出，配备 skill 的单一 agent 在质量、成本和延迟方面常常优于多 agent 设计。作者分析了大型组织构建 agent 的常见失败模式（上下文管理、子 agent 泛滥、Frankenprompt、延迟等），介绍通过渐进式披露 skill 和 MCP 工具的 agent 循环设计，并给出将子 agent 迁移为单循环的分阶段方法：构建任务完成评估、合并领域 agent、将子 agent 转为工具调用、用 skill 和工具替代子 agent，以及多团队协作的治理模式。
用 EverOS Cloud 解决 AI 项目方案跨电脑跨窗口无缝续接的问题
作者分享了一个长期痛点：与 AI 多轮讨论敲定的项目方案往往锁在某台电脑的聊天窗口里，换设备或同事接手时需重新投喂上下文。作者接入 EverOS Cloud（GitHub 1.3w 星开源 Agent 记忆系统 EverOS 的云端托管版），将公司电脑和家里电脑的 Codex 挂到同一云端记忆空间。AI 讨论过程中的方案与约束自动沉淀为云端记忆，跨设备、跨团队无缝续接工作，无需手动整理 Markdown。网页端 Memory Bank 可查看阶段摘要和事实卡片，支持记忆的增删改。该方案也适合团队协作，共享记忆成为项目知识资产，降低人员交接风险。
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。
第1011期 小路和你读AI论文
本期精选5篇高质量AI论文：1) AI智能体生态研究揭示协作产生强Allee效应，种群规模存在起飞阈值，对智能体安全有重要意义；2) BrickBench提出文本条件乐高组装的智能体基准，融合物理仿真验证；3) 思考惯性研究显示LLM被告知不思考时仍会输出显式推理，挑战一条指令关闭思维链的假设；4) 从形式化验证角度分析智能体自我改进的理论基础与极限；5) 提出工具型智能体的主动遗忘方法，可逆地整理上下文，累积输入token约减少50%，无需训练即可降低成本。
从零开始理解提示缓存（Prompt Caching In Agents）【译】
本文翻译自 Earendil Engineering 的《Prompt Caching In Agents》，系统讲解编程 Agent 中提示缓存的原理与实践。文章介绍了 KV 缓存的工作机制（prefill 与 decode 阶段）、缓存的两种存放方式（会话亲和性与分布式缓存）、前缀匹配对缓存命中的决定性作用，以及显式缓存与自动缓存的区别。还解释了为何修改工具定义会破坏缓存、TTL 过期导致短请求昂贵、缓存未命中的计费代价，以及 Pi 为何保持旧记录稳定而不激进剪枝，帮助读者在上下文、缓存复用、延迟与成本之间取得平衡。
