本文基于 Diogo Almeida 的设计笔记，从第一性原理重新审视 coding agent 的设计。作者以「如果没有 KV cache 会怎样设计」为切入点，揭示当前 agent 围绕缓存经济性形成的「只追加对话记录」范式的六大症状：路由失效、工具挤占上下文、压缩有损、子 agent 平庸、重启丢状态、内置能力争论。文章指出 token 主要消耗在读取与搜索而非写代码，并提出以 Jev 决策层为核心的方案：元注意力上下文组装、查询感知压缩、可见性阶梯、可编程权限、安全感知路由与三级工具披露，把上下文当作被有意组装而非偶然累积的对象。
文章介绍如何通过 Vercel AI Gateway 的 key 免费调用 TypeSafe 的 Jev 模型，无需白名单。作者列举了 7 个开源应用案例：浏览器自动化查找机票、Android 手机自动操作打车、Agent 上下文压缩节省 token、用 Jev 核对任务完成声明的 MCP 工具、PostgreSQL 扩展按语义筛选客户流失记录、工具调用前的自动审批流程、以及多模型自动路由分发任务。最后给出接入教程：登录 Vercel、创建 Gateway key、让编程 Agent 完成调用配置。
作者介绍了 nanobot 的上下文压缩机制与长期记忆设计。上下文由 system prompt、历史消息和当前消息构成，当输入达到上下文窗口的 input budget 时，nanobot 压缩历史消息为新 summary，保留未发送的增量消息。生成摘要时通过模拟用户指令请求模型总结，并保持 system prompt 和工具定义一致以复用 KV cache 降低成本。对 OpenAI 原生压缩 API，nanobot 在加密 compaction item 之外额外生成文本 summary 供长期记忆使用。长期记忆通过 consolidator_archive 和 dream 两份提示词模板定制，用户可调整记忆筛选与整理规则，甚至整理成 skill。
本期早报聚焦 AI 工程实践三大主题：一是 Anthropic 的 Claude Tag 作为 CI/CD 故障第一响应者，通过记忆、连接器、日程与 Skill 指令形成态势报告，中位 14 分钟发布首份有证据分析，并开源 oncall-kit；二是腾讯云开发者用实验检验 CodeGraph 与 RTK，发现单次输出缩短不等于整体成本下降，关键在于给对上下文而非少给；三是京东技术提出 AI Coding 工具、副驾、协作者、共生体四阶段框架，以验证成本决定人机分工。速览还包括 Google 智能体安全审查、LangSmith 自动评估器、水印合规等内容。
文章深入探讨了 AI Agent 遗忘信息的根本原因。作者指出，问题通常不在于检索，而在于 KV Cache 在上下文过长时的处理机制。文章对比了 StreamingLLM（仅保留近期信息）与 SnapKV（基于注意力分数保留关键信息）的区别，并解释了模型如何通过“注意力权重”来决定哪些 Token 值得被记忆，从而实现 92% 的压缩比且不丢失关键信息。
文章探讨了AI Agent创业中套壳产品的价值与生存之道。作者提出Agent能力由模型水平、指令、记忆和工具组成，套壳的意义在于通过优化后三者构建「逃逸速度」，在下一代模型到来前保持领先。文章强调两类关键判断：方向判断（基于第一性原理，如移动办公趋势）和迭代判断（通过专家知识优化上下文工程）。作者以自身产品NewMax为例，阐述Dogfood理念，通过全方位使用产品发现边界与问题，并优先解决基建卡点，让产品进入低成本高效迭代的正向循环，实现无限迭代与自动化GTM。
文章介绍如何在OpenAI发布Dots常驻Agent和GPT-6 Astra（百万token记忆）后，搭建一个24/7自主运行的AI工作流。核心难题是常驻Agent会高频产生大量简单决策，用前沿模型成本高昂。解决方案是TypeSafe推出的System One模型Jev：它只能输出结构化决策（是/否、选择、评分）并附带置信度，单价仅$0.042/百万token，使百万次决策成本约$42。文章展示了将Jev作为低层决策器、Astra作为高阶思考引擎的组合架构，让独立开发者从写代码转变为定义任务、设限并审核产出的监督者角色。
Cloudflare 数据显示 AI 自动化流量首次超过人类（57.5% vs 42.5%）。文章分析搜索用户从人、到大模型、再到 Agent 的三次演变，指出 Agent 场景下搜索的三大卡点：结果需可直接用、信源要可信、速度要快。腾讯「元宝搜索」通过提供完整正文、接入 157 个权威信源、索引期压缩网页为 100 token 支持 KV Cache 复用等优化，使 Agent 完成任务的平均搜索调用从 8 次降至 5 次。作者实测 9 个品类 31 条 query，认为其强项为权威性、时效性和正文提供能力，适合国内 Agent 开发者，但学术论文、生活服务等场景需配合垂类 API。文章最后介绍了三种接入方式与按量计费价格。
本文是一篇面向新手的 Pi Coding Agent 全面入门教程。Pi 是一个跑在终端里的极简 AI 编程智能体框架，定位为'最小智能体外壳'：内核只保留基本工具循环，计划模式、子智能体、权限系统等能力全部拆给扩展。文章详细介绍了安装方式（官方脚本、npm、Nix）、界面与常用快捷键、模型配置、四种使用模式（交互、打印/JSON、RPC、SDK）、技能/扩展/提示词模板/主题的扩展体系，以及树状会话管理。作者重点总结了七个常见坑：无内置权限系统需容器隔离、默认无 plan mode、npm 不锁传递依赖、grep 等工具默认关闭等。Pi 支持 15 家以上模型商，MIT 协议，与 Claude Code、Codex 是两条路线：要开箱即用选成品，要可自由定制的个人智能体选 Pi。
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。
作者分享了将25条思考类提示语（苏格拉底式提问、第一性原理、乔哈里视窗、逆向法等）封装为开源skill「老爷爷」的过程。受Matt Pocock的ask-matt路由启发，该skill可根据用户当前处境自动匹配最合适的提示语，解决「提示语存了一堆但从来不用」的问题。作者强调原提示语一字不改的原则，避免工程化改写导致的性能下降，并介绍了乔哈里视窗和逆向法两个实用方法，主张让AI负责挑选提示语、人负责感知问题的分工方式。
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
文章针对 Pi 编程代理插件市场插件过多、选择困难的问题，给出系统性的选择指南。作者核对了 46 个插件，淘汰 9 个停止维护或无人使用的，提出'常驻 3 个插件'的核心建议：pi-cc-extensions（优化输出排版）、pi-web-access（联网搜索）、pi-context-view（查看上下文占用）。文章先讲清 Skill、Extension、Package 三个概念及安装、试用的基本命令，再按 7 个场景（订阅接入、多线程、上网、浏览器操作、省 Token、安全、写代码）推荐每个场景的最佳选择，最后教读者通过四个指标自行判断插件可靠性和避开同名包的坑。
