🏷️ SQLite

如何从零开始打造自己的爆款监控系统

作者分享了一套自研的自媒体爆款监控系统，涵盖多平台数据采集、R/M双信号评分引擎、两级AI分析管线及Vue前端部署。该系统实现了142个对标账号的自动化监控与爆款归因，大幅提升选题效率。

重写Agent：在Durable Object中使用Pi、Agents SDK和Code Mode

本文讲述了camelAI团队如何将Agent从虚拟机迁移到Cloudflare Durable Object中。通过利用SQLite和R2作为文件系统，并用JavaScript替代bash，团队解决了高昂的基础设施成本问题。尽管限制了Agent只能使用预定义的方法，但这提高了性能和安全性，并优化了产品体验。

用 Claude Code 建立AI交易训练场，练完第一笔实盘赚了37万

作者利用 Claude Code 构建了一个基于 SKILL 架构的 AI 交易模拟器，通过 SQLite 硬隔离历史数据解决了 AI“偷看答案”的问题。文章分享了在模拟器中进行的几百轮训练经验，揭示了交易中不仅要看对方向，还要选对工具和节奏的实战心法。

Hermes Agent 的记忆系统设计分析

文章深入分析了开源 Hermes Agent 的记忆系统架构。与 OpenClaw 不同，Hermes 不依赖单一记忆，而是采用了四层架构：极简的 Prompt 冻结记忆（MEMORY.md/USER.md）、基于 SQLite 的会话搜索、程序化技能以及可选的 Honcho 层。其核心设计理念是保持 Prompt 稳定以利用缓存，并将历史细节剥离至外部工具按需检索。

2026年AI Agent构建指南：必须掌握的Memory Stack

文章指出AI构建者不应关注模型本身，而应聚焦于底层的可移植Memory Layer。作者通过项目'brain'展示了一种基于Git作为唯一事实来源、SQLite FTS5作为衍生索引的解决方案。这种架构支持跨工具（如Claude Code、Cursor）的通用记忆，实现了数据的类型化、索引、审计和同步。文章详细阐述了Git作为存储的优势、SQLite检索的高效性、秘密扫描及防御机制，强调了类型化事件和可回滚性对于Agent记忆系统的重要性。

Hermes Agent 完全上手指南：会自己进化的 AI Agent

这是一份关于 Hermes Agent 的深度上手教程。文章介绍了 Hermes 相比 OpenClaw 的核心优势：具备自我进化能力，能从任务中自动创建和优化 Skills，以及拥有强大的 SQLite 全文搜索记忆系统。教程涵盖从环境准备、安装配置、基础对话，到进阶的消息网关配置、定时任务、记忆训练，再到高级的 MCP 服务器集成、多 Profile 管理、浏览器自动化及语音交互等 15 个实践任务，帮助用户全面掌握这一开源 AI Agent 框架。

通过 Agent Skills 访问 Huntly SQLite 实现知识库对话

文章分享了作者为其开源项目 Huntly 实现“知识库对话”功能的巧妙思路。作者受技术帖启发，放弃了原本复杂的 Markdown 和 MCP 方案，转而让 Agent 直接通过 Skills 文档访问 SQLite 数据库。验证表明，该方案配合 glm-4.7-free 模型效果拔群，Agent 能轻松总结收藏、分析 RSS 文章并生成热门推文周刊。文章还展示了基于此逻辑生成的“lcomplete 的 X 精选”，涵盖了 AI 编程、投资哲学、工具生态及 Huntly 项目更新等内容。