🏷️ 架构设计

MCP新规范：更灵活的协议

MCP新规范将协议从双向有状态改为请求/响应模型，服务端可部署在Serverless和边缘基础设施上。类比银行业务，以前需找固定柜员，现在任意柜员均可办理，提升了灵活性和效率。

做完一次总体设计后，我重新理解了企业级知识库

文章基于企业级智能知识库项目的实践，探讨了企业知识库的真正门槛。指出其不仅是文档存储，更是一套涵盖构建、治理、使用和优化的闭环运行机制。重点分析了知识库与知识空间的区别、知识生命周期管理、可信溯源及权限控制，强调知识库应作为支撑未来 Agent 的企业级 AI 知识引擎。

这项目给Claude Code塞了28个心智模型和批判性思维技能

该项目为Claude Code集成了28个心智模型和批判性思维技能，包括第一性原理、贝叶斯推理、系统思考等。用户可按需调用，帮助结构化决策和策略分析。测试显示技能未稳定提升准确率，但作者认为作为思考脚手架仍优于裸奔。

Run Your Harness Outside of the Sandbox (Why and How)

本文探讨了2026年以来关于Agent运行位置的争论，指出行业趋势是将Agent运行在沙箱之外。作者详细解释了沙箱内运行的三个主要问题：爆炸半径、信任边界和沙箱的间歇性运行，并提出了将沙箱作为工具暴露的正确架构，最后提供了基于Vercel AI SDK的实现示例和生产环境中的挑战。

大脑对长周期 Agent 的启示

文章通过对比人脑的双速学习机制（海马体与皮层），指出当前 AI Agent 仅依赖大模型权重的局限性。真正的长周期智能需要将预测模型与经验状态结合。现有的外部记忆存储实则是模拟海马体的快速捕获功能，未来的关键在于实现高效的记忆筛选机制。

Agent工程架构解析：Harness、Loop与Graph的区别

本文深入解析Agent工程中常被混淆的三个架构层级：Harness工程构建模型运行环境与基础能力；Loop工程设计工作反馈循环，通过验证与迭代提升质量；Graph工程则显式定义工作流拓扑，控制节点分支与状态转换。文章强调理清环境、反馈与流的关系对构建生产级Agent至关重要。

构建智能代理的三层架构：Loop、Graph与Harness

本文提出解决Agent重复读取数据和Token浪费的三层架构方案：Loop负责单元工作的收集-行动-验证闭环；Graph通过分发和并行管理复杂任务；Harness作为运行时环境提供工具和上下文隔离。文中提供了具体的代码实现思路和实战演示。

如何构建一个在你睡眠时发现商业机会的 Agent 图

文章介绍了一个由多个专业 Agent 组成的图系统，用于自动化商业机会扫描、分析和验证。该系统通过并行处理和独立验证机制，解决了人工研究效率低的问题，仅在发现高质量机会时唤醒用户。

从循环到图：如何运行真实的 AI 代理团队

文章阐述了如何利用图结构而非简单的循环来管理 AI 代理团队。核心在于“钻石模式”：任务并行分发、执行、独立验证与汇总。这种模式通过分散推理过程，提升了效率和准确性，并强调了人工检查节点的重要性。

The complete Graph Engineering playbook for Claude Code

本文介绍了Graph Engineering（图工程）的概念，阐述如何利用Claude Code构建分布式Agent系统。通过将任务分解为线性、分发、规约和验证等节点，实现高效、可靠的AI工作流，优化计算成本和结果质量。

手写代码的时代已经过去了：一次零基础的 vibe coding 全记录

作者记录了利用 Claude Code 和 AI 辅助工具，从零开始开发 AI 阅读插件 ReadCue 的全过程。文章探讨了 HTML 在 AI 时代的复兴、全新的设计开发范式，以及程序员如何从手写代码转向架构决策和产品定义。

Kimi K3 + 图工程：降低85%成本并提升18%准确率

文章介绍了通过结合 Kimi K3 模型与图工程构建 AI 系统的方法。相比传统 RAG，该架构利用知识图谱存储实体关系，能处理复杂推理，实现成本降低85%和准确率提升18%。文章引用微软 GraphRAG 等研究，详细阐述了如何从零开始构建该系统。

How to master graph engineering

本课程教授如何构建 AI 智能体图，涵盖图的基本概念、关键模式（如菱形模式）、停止规则及人工审批环节。包含三个实战案例：深度研究台、SEO 内容生成器和市场推广套件，旨在提升业务效率并控制成本。

3 Years of Graph Engineering with LangGraph

文章回顾了 LangGraph 三年来的发展，探讨了将智能体系统建模为图（Graph）的实践与价值。作者分析了何时使用图结构以平衡确定性与自主性，并指出生产级智能体通常需要循环和动态转换。最后，文章强调图工程并非全新概念，但随着节点的进化，现在的图更多是在编排智能体而非单一的 LLM 调用。

Graph Engineering 101: When a Loop Isn’t Enough

文章探讨了AI Agent从简单的ReAct循环向图工程架构的演进。循环模式在处理复杂、多步骤及需人工介入的任务时存在状态持久化、错误处理和分支逻辑的局限性。图工程通过显式的节点、边和状态管理，解决了并发、暂停恢复及复杂流程控制问题，为构建更健壮的Agent系统提供了架构基础。

Graph Engineering with Claude: the 11-Step Roadmap From Loops to Graph Architect

本文阐述了从单一循环工程向图工程演进的必要性。针对单一 Agent 在处理复杂任务时上下文混淆和幻觉问题，作者提出了由节点、边、路由器和状态四大基础构建块组成的图架构，并通过序贯链和路由器等模式，展示如何协调多 Agent 系统以实现高效输出。

彻底告别Loop Engineering：一文读懂 Graph Engineering

本文介绍了AI Agent工程从Prompt到Loop再到Graph的演进。Graph Engineering通过图结构重新规划任务关系，实现并行处理、明确依赖、隔离失败，从而解决线性流程在复杂任务中效率低、易失控的问题。

Graph Engineering with Claude: 14-Step roadmap from 0 to graph architect

本文介绍了如何使用 Claude 构建图结构的 Agent，替代传统的线性执行模式。文章详细阐述了节点与边的定义、契约设计、并行化执行等核心概念，通过动态工作流实现任务的分发、验证与聚合，从而提升效率与系统的鲁棒性。

State Machines: From Loops to Graphs (Explained)

文章阐述了状态机理论及其在软件开发中的应用。作者指出Agent框架从链条到循环再到图形的演变，本质上是有限状态机（FSM）的体现。通过将分散的逻辑迁移到明确的转换函数中，状态机能消除不可能状态，避免竞态条件，并提供类型级安全保障。文章展示了基于查找表和Switch语句的实现方式，强调了其在代码审查、测试及系统可靠性方面的优势。

从 Kimi K3 看下一代 MoE 架构的转折点：LatentMoE

文章分析了 2026 年大模型架构的新趋势 LatentMoE。通过对比 NVIDIA Nemotron 3 Super 和 Moonshot AI Kimi K3，揭示了 LatentMoE 如何通过将 token 投影到低维潜在空间，大幅降低内存和通信开销，从而在同等推理成本下激活更多专家，提升模型性能与效率。

How we built our knowledge base

Cerebras 分享了构建其内部知识库的经验。该知识库每天处理超过 15,000 个问题，集成了 Slack、GitHub 等多种数据源。文章详细介绍了如何通过 Postgres 存储 embeddings，并采用混合搜索策略（全文搜索、向量搜索、IDF 加权、时间衰减）来高效检索非结构化对话数据，解决了信息分散和匹配精度的问题。

Let's build Claude Code's harness (step-by-step)

本文深入解析了Claude Code的“harness”架构，解释了为何简单的模型调用不足以构建可靠的代码代理。作者通过CrewAI框架逐步重建了包括核心循环、工具管理、规划机制在内的关键组件，揭示了通过工程化手段弥补模型差距的方法。

我把 Loop Engineering 做成了一个 Skill

作者将 Loop Engineering 架构封装成了一个开源 Skill，旨在帮助用户通过回答业务问题快速定制化搭建持续运行的 AI 系统。该 Skill 强调先锁定目标、防漂移检查及人工审批权，适合需要长期自动化工作流的用户。

如何使用 Claude Fable 5 构建一人公司

本文介绍了利用 AI 模型 Claude Fable 5 构建一人公司的架构与方法。作者认为 Fable 5 具备长期运行和自主执行任务的能力，可替代传统企业的多个部门。文章详细列出了建立“公司大脑”所需的文件结构，并提供了市场调研和病毒式营销的具体自动化提示词，展示了如何通过设计系统而非雇佣员工来管理企业。

6 个检查项——手把手带你发布自己的 Agent 产品

文章探讨了将本地 Agent Demo 转化为可商业化产品的六大工程挑战：会话记忆持久化、工具调用沙箱隔离、调用链路追踪、模型成本控制、前后端一体化交付以及技术栈与框架的灵活性。作者以腾讯云 EdgeOne Makers 平台为例，演示了如何高效解决这些工程化难题，实现 Agent 应用的快速开发与部署。

为什么你的AI知识库一直搭建不起来？看看是不是缺了这四层架构

文章指出AI知识库搭建失败常因只有资料层，缺了索引、规则和工作流。资料层重质不重量，索引层解决检索路径，规则层限定输出与引用规范，工作流层确保落地任务。

详解 WorkBuddy 的记忆体系

文章以「好记性不如烂笔头」为喻，深入剖析了 AI 助手 WorkBuddy 的三层记忆架构（云端画像、本地长期记忆、工作区日志）。通过对比传统 AI 的「金鱼式」失忆，阐述了长程任务中「读写外部文件」优于单纯依赖上下文窗口的原理。同时，文章探讨了记忆与身份层如何赋予 AI 连续性，并与 OpenClaw 进行了横向对比。

做 AI Agent 一年，90% 的时间都在做表面功夫

作者通过一年的 AI Agent 开发实践，发现 90% 的时间浪费在手动测试上。受芯片“验证不对称”理念启发，作者提出构建可验证的架构：通过前后端分离（ACI）使系统对 AI 友好，并引入“确定性断言”和“LLM 裁判”两级回归测试体系。最终实现了由 Coding Agent 自动运行的闭环开发，将开发者从繁琐的手工验证中解放出来，重塑了 AI 时代的开发效率。

Hermes Agent 架构详细拆解：工业级 Agent 框架底层运行时揭秘

本文详细拆解了 Hermes Agent 的底层架构，将其定义为工业级运行时而非简单的 LLM 循环。文章类比前端工程模式，阐述了 Agent = Harness + Model 的核心公式。重点解析了从平台入口、适配器层、事件总线、GatewayRunner 核心调度层到 AI Agent 执行层的五层架构，揭示了 Hermes 如何通过共享线程池、会话复用和生命周期管理，实现高并发、有状态且安全可靠的 Agent 运行环境。

LongCat-2.0 深度技术解读

本文对美团发布的 LongCat-2.0 万亿参数大模型进行了深度技术拆解。文章涵盖了 MoE 架构与稀疏注意力（LSA）的优化、N-gram Embedding 的应用，以及在国产算力受限情况下的 6D 并行训练工程、超节点组网、推理加速等关键技术细节。

构架师教程：Foundation Engineering —— 祛魅 Loop Engineering

文章深刻剖析了被神化的“Loop Engineering（循环工程）”，指出其实质是古老的闭环控制系统。作者强调，随着AI执行能力的普及化，“怎么写”已不再重要，真正的稀缺能力是定义“什么算对”的判定标准（立法能力）。文中提出了“Maker/Checker分离”、“判定证据路径”以及“颗粒度决定成败”等核心观点，并用TSC（类型系统）作为最冷酷的判定工具，揭示了AI时代地基工程的关键在于用确定性约束去驾驭不确定的执行机构。

Agent Loop 很火，但基座才是关键：从单代理到自我进化系统的 14 步路线图

文章指出，尽管循环工程备受关注，但决定代理上限的核心是其下层的“基座工程”。作者提出了从单代理到自我进化系统的 14 步路线图，涵盖基座定义、核心配置（记忆、权限、子代理）、技能封装、钩子强制执行、循环自动化、动态工作流编排，以及通过状态文件实现系统自我进化的方法。

构建优秀的垂直领域 Agent：以 Shortcut 为例

本文探讨了如何构建一个在实际应用中表现卓越的垂直领域 Agent。作者结合开发 Shortcut 电子表格 Agent 的经验，提出核心原则是“对任务分布的忠实压缩”。文章详细介绍了“分层缓存”架构，将上下文分为 L1（常驻核心）、L2（按需规格）和 L3（兜底参考），以平衡效率与准确性。同时强调了“单工具优于多工具”的策略，主张通过代码执行来统一能力，降低模型决策复杂度，从而在长尾任务中实现高准确率。

构建企业级AI大脑：从数据捕获到智能反馈的5层架构

本文阐述了构建“企业大脑”的核心理念：单纯的信息存储不是智能，关键在于建立连接上下文与工作的智能层。作者提出了一个5层架构体系：捕获、检索、信源分级、权限管理和反馈闭环。通过将散落在Slack、CRM、通话录音中的原始数据转化为可执行的情报，系统能实现自我进化，将人类纠错转化为新规则，从而提升整个组织的执行效率。

Claude Code Dynamic Workflows：把编排逻辑搬进代码的新原语

Anthropic 推出的 Claude Opus 4.8 引入了 Dynamic Workflows 功能，旨在解决大型代码库迁移和复杂任务编排的难题。该功能通过将编排过程生成本地 JavaScript 脚本，利用运行时管理逻辑，突破了传统 Agent 上下文窗口的限制，实现了对海量并行任务的高效处理。文章详细解析了其与 Subagent 和 Agent Teams 的区别、核心架构、脚本编写规范以及触发机制。

如何构建你自己的 Agent Harness

本文探讨了构建 AI Agent 系统时的架构问题。作者指出，大多数团队直接采用 LangChain 等现成的框架，这通常会将多种功能耦合在一个单体中，导致后期难以扩展。作者介绍了基于 iii 引擎的解耦方案：将 Harness 拆分为独立的、可替换的微服务，如凭据管理、策略引擎和模型目录。这种架构通过统一的触发原语连接，使开发者能够像搭积木一样自由替换组件，从而实现真正的“自建”系统。

构建 7-Agent 软件工厂：Claude Code 高效开发指南

文章指出了当前 AI 辅助编程中“Vibe Coding”的痛点，即单一 AI 会话承担过多角色导致错误累积。作者提出了“软件工厂”的解决方案，通过构建包含代码库研究员、需求撰写者、规格撰写者、后端/前端构建者及测试验证者的 7 个专业化 Agent，将任务拆解并隔离。这种结构化流程利用 Claude Code 实现了自动化且高质量的功能交付，彻底改变了单人监督 AI 的低效模式。

最重要的 AI 创业方向不是 Agent，而是 AI 记忆

本文深入探讨了当前 AI 行业被忽视的“痛点”：AI 缺乏长期记忆。作者认为，比单纯追求更聪明的大模型或自主 Agent 更重要的是构建“持久认知层”。文章以 GBrain 为例，阐述了它如何超越传统的检索生成（RAG），通过自建知识图谱和“梦境周期”维护，实现对信息的真正理解与关系连接。这种能积累上下文、提供确定性智能的“记忆基础设施”，将成为未来 AI 的真正护城河。

腾讯开源 AI Agent 运行时系统 TencentDB Agent Memory

文章深度解析了腾讯开源的 TencentDB Agent Memory 系统。不同于市面上的“向量数据库+RAG”方案，该系统旨在解决长任务中的“上下文退化”问题。其核心创新在于短期压缩（Offload 机制）与长期记忆（四层流水线）的结合，通过三层回溯、任务图动态压缩及结构化记忆提取，有效管理了 Agent 的上下文窗口与记忆生命周期。

Agent Harness 拆解：AI Agent 的工程化基础设施

本文深入探讨了 Agent Harness 的概念，即包裹在 LLM 外部、将无状态模型转化为可用智能体的完整软件基础设施。文章引用了 Anthropic、OpenAI 和 LangChain 的实践，详细拆解了生产级 Harness 的 12 个核心组件（如编排循环、记忆系统、上下文管理、验证循环等），并阐述了如何通过优化这层“操作系统”来解决遗忘、工具调用失败和上下文腐烂等工程难题。

LangSmith Engine 构建详解：利用 Agent 优化 Agent

文章详细介绍了 LangSmith Engine 的技术架构与实现细节。Engine 是一个构建在 LangSmith 平台之上的元 Agent，旨在解决大规模 Agent 部署中的调试难题。它能够自动分析海量 Traces，识别如工具循环调用、参数错误等重复性失败模式，并将其转化为具体的“问题”，进而建议评估器、数据集示例或代码修复方案。

从零构建 LLM 架构：10 个实用经验教训

本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。

企业级 Agent 构建指南：Deep Research 原理与多 Agent 架构

本文详细解析了企业级 AI Agent 的构建方法，重点在于通过多 Agent 系统解决复杂任务。文章从 Agent 的核心定义出发，区分了 Workflow 与 Agent 的适用场景，并深入探讨了多 Agent 系统的编排模式、上下文管理及信息传递机制。作者以 Deep Research 为例，拆解了其工作原理与架构设计，强调了在 AI 变现中做定制化项目的价值。

多智能体协作调查：Agent 到底该怎么分工

本文深入探讨了多智能体协作的工程实现细节，指出其并非简单的模型实例多开，而是涉及任务调度、状态管理等复杂机制。文章详细分析了 Codex、Claude Code、OpenClaw 等系统在触发方式（显式/语义/路由/队列）和拓扑结构（星型/链式/树型等）上的设计差异，并拆解了调用链中的关键环节。作者强调了显式控制、上下文隔离及 Merge 策略在构建高效多智能体系统中的重要性。

从GPU到云：AI算力基建的完整硬件链路解析

本文以通俗易懂的方式，从微观到宏观详细拆解了AI算力基础设施的物理构成。文章按照 HBM、GPU、PCB、服务器、机柜、计算中心到云的层级顺序，解析了各硬件的连接关系与核心作用，并补充了硅中介层、交换芯片、散热系统及数据中心与云的区别等关键知识点。

为什么我不“凭感觉编程”：一位资深开发者对 LLM 编程的深度反思

文章翻译并分享了 Jacob Harris 关于拒绝使用“凭感觉编程”（即过度依赖 LLM 辅助编程）的观点。作者从经济成本、经验主义、抽象本质、摩擦的价值以及责任感五个维度展开论述。他认为，编程是在复杂现实中建立抽象的过程，需要深度理解架构决策和承担后果，而 LLM 只能解决偶然复杂性，无法处理本质复杂性，更无法替代人类的思考与责任。

Hermes 24小时工作的秘密：Cron、Gateway 和 Heartbeat

文章分析了基于 Hermes 的 Agent 无法实现长期自治的原因，指出问题不在于模型或提示词，而在于缺乏后台调度机制。作者详细介绍了实现 24 小时工作的四个核心组件：Gateway（后台闹钟）、Cron（定时唤醒）、Heartbeat（唤醒指令）和状态文件（上下文存储），并提供了具体的文件结构配置建议。

Agent 工程的四个深坑：Demo 到生产没有捷径

作者分享了将 AI Agent 从 Demo 推向生产环境过程中遇到的四个“深坑”：Function Calling 的不可预测性需加代码校验兜底；多步任务必须引入状态机和 checkpoint 防止重复执行或死无对证；记忆管理需分层以解决 token 爆炸和“丢失中间”问题；权限控制是最大风险，需防范 prompt injection 并建立分级审计机制。

Claude Code 在大型代码库中的运作方式：最佳实践与入门指南

文章深入探讨了 Claude Code 如何在大型代码库（如单体仓库、遗留系统）中高效工作。与依赖过时索引的 RAG 工具不同，Claude 采用代理式搜索遍历本地文件系统。文章指出，工具链（包括 CLAUDE.md、钩子、技能、插件、MCP 服务器和 LSP 集成）对性能的影响往往大于模型本身。通过建立正确的上下文层次和渐进式采用策略，团队可显著提升开发效率。

Codex CLI 内存机制详解

文章深入解析了 OpenAI Codex CLI 的内存架构，该工具通过本地 Markdown 文件异步生成和汇总记忆。文章详细介绍了记忆的写入与加载流程，指出其缺乏向量数据库、仅依赖关键词匹配及受限于本地文件系统等局限。最后，文章引入 Mem0 作为解决方案，通过 MCP 协议提供跨机器、跨工具的持久化智能记忆层，解决原生功能在扩展性和同步方面的不足。