🏷️ Context

看懂这九个概念，我太奶奶也可以用 AI 赚钱

本文从纯小白视角出发，系统性拆解了 AI 领域的 9 个核心概念：LLM、Token、Context、RAG、Prompt、Tool、MCP、Agent 和 Agent Skill。通过生动的比喻（如将 LLM 比作发动机，MCP 比作 Type-C 接口）和清晰的逻辑链路，文章阐述了 AI 从文本生成到任务执行的底层架构，帮助读者理解 AI 的能力边界、成本构成及应用开发逻辑。

Agentic Memory: 详解 Agent 记忆系统的架构与实现

文章通过生动的类比，指出缺乏记忆是当前 LLM Agent 的主要短板。作者详细拆解了 Agent 记忆系统的三个核心功能：连续性、上下文和学习。文章重点介绍了四种记忆类型：上下文记忆、外部记忆、情景记忆和参数记忆，并深入探讨了如何通过检索增强（RAG）和反思循环来构建持久的智能。

The Four Micro-Revolutions of the Intelligence Revolution

本文由前Google M&A团队成员撰写，深入分析了“智能革命”的演进规律。作者结合Carlota Perez的技术革命框架，预测AI发展将经历四个微观阶段：聊天、代理、语境和平台。文章指出，最终的赢家将掌握“语境”层，成为历史上最大的公司，因为它将聚合整个AI行业并消耗所有数字劳动力。

Claude Managed Agents 内存机制解析：基于文件系统的持久化记忆

文章详细介绍了 Claude Managed Agents 平台新增的内存功能。该功能利用文件系统存储记忆，使代理能够在不同会话间保持上下文并从经验中学习。通过对比早期模型与 Opus 4.6 在宝可梦游戏中的表现，展示了模型自我组织和利用记忆能力的进化。平台通过挂载目录的方式实现多代理间的实时记忆同步与并发控制，并支持通过 API 导出。

AI 是真的在进化，还是看起来在进化

文章探讨了 AI 进化的方向已从单纯的模型参数优化转向 Agent 的自我进化。分析了 Hermes Agent、OpenClaw 等基于 Skill 和 Context 的技术路径，指出从 LoRA 参数更新转向 SKILL.md 的范式转移降低了工程门槛。同时，作者提出了构建 EvoAgentBench 评测标准的必要性，以量化评估 Agent 的自进化能力，并展望了参数空间与 Context 空间未来合流的架构趋势。

设计不仅仅是产出

文章批判了当前行业将设计误解为单纯“产出”的观点。作者指出，设计的难点不在于生成形式，而在于深度理解问题。引用 Christopher Alexander 的理论，设计是寻找形式与语境之间适配的过程。作者强调，虽然 AI 工具能快速生成 plausible 的界面，但无法替代设计师对问题的深度思考和判断。视觉设计过程中的缓慢探索本身就是思考的一部分，AI 生成的往往是形式而非解决之道。

AI 记忆工具两大阵营：Memory Backends 与 Context Substrates

文章深入分析了 GitHub 上的 AI Agent 记忆工具，将其分为两大阵营：一是“记忆后端”，如 Mem0 和 Supermemory，主要提取事实并存储于向量数据库；二是“上下文基底”，如 OpenClaw，通过人类可读的结构化文件让会话在上下文中累积。作者指出，虽然 Camp 1 主导了市场，但 Camp 2 的架构才是支持连续、多会话工作的未来方向，例如 Zep 已开始从“记忆”转型为“上下文工程”。