文章解读了 Claude 官方文章《何时把子代理并入主代理循环》的核心观点：多 Agent 架构正被单 Agent + Main Loop 模式取代。文中分析了企业 Agent 构建的五大失效模式（上下文丢失、subagent 泛滥、拼凑式 prompt、局部评估、延迟过高），指出这本质是康威定律的体现。推荐采用渐进式披露机制，通过 Skills 和 Tool Search 按需加载上下文与工具，将系统职责划分为模型、Skills、Tools 和传统代码四部分，并给出了从多 Agent 平滑迁移到单循环的评估与实施策略。
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。
本文探讨了智能体系统中技能实现的局限性，指出技能不应是静态提示，而应是动态的情境行为。作者介绍了在 Slate 系统中通过引入“线程”和“分叉”机制，实现了上下文隔离的自动化技能调用，并提出了“编排技能”的概念，即通过组合其他技能来完成复杂任务链。
本文探讨了如何通过改进编排框架来解决 Claude 在长时间运行任务（如前端设计和全栈开发）中的局限性。作者受 GAN 启发，设计了包含规划器、生成器和评估器的多智能体架构。通过引入上下文重置机制、制定明确评分标准以及分离生成与评估环节，该框架成功实现了自主构建高质量全栈应用的能力，显著优于单智能体模式。
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。
文章介绍了 AI PM OS——一套面向产品经理的 Agent Skill 体系。作者强调：与其信任模型凭提示词自由发挥，不如为 Agent 配备结构化技能，确保输出质量稳定。核心方法论是'监督比你更聪明的人'：通过间接提示让 Agent 自己复述问题、避免被先入为主的假设带偏，并用 /first-principles、/mckinsey-issue-tree、/causal-tree、/jtbd-forces 等技能栈按'定义问题、选择赌注、理解用户、定义成功、塑造构建、写作、推动组织'分阶段组织工作。同时利用记忆和历史会话，让 Agent 继承过往决策背景，提升产品判断力。
本文是一篇基于 Claude Agent SDK 的多智能体系统构建教程。作者指出当前多数'多智能体系统'只是昂贵的混乱，问题不在模型而在架构。文章介绍了子代理的四大价值：上下文隔离、并行化、专业化指令和工具限制，并说明 Opus 5.5 在成本、effort 分级和时间感知三方面如何优化 agent 团队。核心原则是：大多数任务不需要团队，单一 agent 更快更省。教程详解了团队架构的三个角色——编排器、专家和批评者，并从搭建 SDK 环境开始，手把手演示先构建独立编排器、再逐步委派任务的实践路径。
本文是 Next Token 播客第 004 期的聊天实录，由 Orange AI 与歸藏、杨攀、向阳乔木等围绕 Anthropic 最新发布的 Opus 5.5 展开讨论。文章梳理了 Opus 5.5 刷屏的三类内容：纯代码生成的品牌宣传片、具备物理互动打击感的像素动画，以及操作电脑绘画的能力。嘉宾们认为该模型已从“软件操作工”进化为有审美判断的“熟练工”甚至“天才员工”，并探讨其是否已具备世界模型特质、Skill 与 MCP 内化带来的智能提升、以及内容创作行业中人的角色变化等话题，最后展望了模型自我迭代（RSI）的可能性。
作者介绍Anthropic用两周时间将claude.ai核心体验提速3倍的方法论：先量化指标、用指令数稳定测量、设置棘轮防止性能回退，并在150多个并行线程中由Claude找问题、人做取舍。作者照此方法让agent优化自己的4个网站并整理成「闪电.skill」，其中公众号排版器打开到能打字的耗时从2238毫秒降至209毫秒，减少90.7%。文章还分享了优化过程中的踩坑经验，如旧草稿覆盖风险、测量干扰等，并提供skill的安装方式供读者使用。
本文结合作者维护开源项目 CC Switch 的实际经验，深入分析 Claude Code 的项目级自动记忆（auto memory）机制。文章对比了 CLAUDE.md、自动记忆与会话历史三者的分工，解析了记忆的存储结构（索引 MEMORY.md 加主题文件）、按需加载原理、索引容量上限（200 行或 25K UTF-16 码元）及精简策略。作者通过 JSONL 台账写入纠正、方案决策背景保留、PR 审查接续三个场景说明记忆的实际价值，并指出索引超限截断、信息过时、精简后索引与正文不一致等缺陷，最后给出使用建议：明确表达纠正及原因、定期检查记忆文件、区分当前结论与历史证据。
文章推荐了一份13页的Agent记忆工程白皮书（民间整理，非Anthropic官方出品），将其拆解为5层记忆金字塔：工作记忆（上下文窗口）、情景记忆（交互日志）、语义记忆（知识图谱）、程序记忆（技能固化）和遗忘引擎（矛盾消解）。文章指出缺乏记忆分层的Agent会不断重复踩坑、成本高企，而引入该架构后Mem0的Token消耗降低90%、延迟降低91%，Snowflake准确率提升20%。核心观点是：不要迷信更大的上下文窗口，应把记忆做成可检索、可进化、可修剪的工程资产。
作者提出九条原则，帮助判断 Agent Skill 是否真正有效，覆盖 Skill 生命周期三个阶段：被选中、可靠执行、经受现实检验。核心观点包括：元数据描述是触发与否的关键入口；上下文是共享预算，需渐进式加载；流程与检查点优于长篇散文；规则应解释原因以应对边缘情况；预先记录并反驳模型常见的跳过理由；确定性逻辑写成脚本代码而非依赖推理；严格限定修改范围；Skill 会随库更新和约定变化而腐化，需版本化管理；上线前必须用真实用例运行验证，从观察到的行为而非想象中调试。
