🏷️ Context Window

Your Agent Needs a Wiki and a Recording

文章指出仅依靠扩大上下文窗口无法解决 Agent 的遗忘问题，并提出了 GBrain 和 Lossless 两个解决方案。GBrain 是基于 Wiki 的知识检索层，解决跨对话的长期记忆（如项目背景、决策历史）；Lossless 则像会议录音，通过保留原始消息记录，解决长对话中的细节检索与回溯问题。二者结合能让 Agent 拥有类似查阅文档和回溯记录的能力，从而更智能地处理复杂任务。

探索 GEPA：基于反思的 LLM 上下文提示优化技术

本文探讨了 GEPA (Genetic-Pareto) 技术，一种旨在解决大语言模型上下文管理被动性的提示词优化器。与运行时的 RLM 不同，GEPA 在推理前操作，通过自然语言反馈和试错学习来改进提示词。文章分析了 GEPA 如何利用 Pareto 前沿保持提示多样性，避免单一最优解，并在多项任务中以更少的 rollout 取得优于 GRPO 和 MIPROv2 的性能。作者提出 GEPA 与 RLM 相结合，代表了从单纯增加上下文长度向主动选择和管理上下文的技术范式转变。

Using Claude Code: Session Management & 1M Context

文章探讨了在 Claude Code 中如何有效管理 100 万 token 的上下文窗口。作者解释了上下文污染、上下文衰减等概念，并详细介绍了通过 Rewind、Compact、Clear 和 Subagents 等策略来维持模型性能。核心观点是根据任务性质灵活选择会话管理方式，以平衡效率与智能表现。

构建永不遗忘的智能体：从基础到向量与图谱混合记忆方案

文章深入探讨了LLM智能体的“记忆”难题，指出单纯增加上下文窗口无法解决“迷失在中间”效应及会话遗忘问题。作者基于认知科学框架，分析了从Python列表、Markdown文件到向量检索各阶段的局限性，强调构建兼具持久化、语义理解和关系推理能力的记忆层至关重要，最终引入了一个能够整合向量、图谱和关系存储的开源解决方案。

Claude Code 完整教程：从架构思考到上下文管理

本文是拥有 7 年经验的 CTO 分享的 Claude Code 进阶教程。作者通过实战经验，总结出“先思考后编码”的重要性，深入讲解了如何有效利用 Plan Mode 模式、编写高质量的 CLAUDE.md 配置文件，以及如何应对 LLM 上下文窗口的限制。文章旨在帮助开发者构建更稳健的系统，避免常见的 AI 编程误区。