42 篇文章，按分类组织。搜索、筛选、分类——快速找到你需要的。
硅谷最火的概念。Open Cloud 和 Cloud Code 创始人都在说"我不写 Prompt 了，我写 Loops"。我用 Harness 做了半年，发现它就是 Loop Engineering。
三种规划模式的选择直接决定了 Agent 系统的成本、可靠性和开发复杂度。踩过的坑和得出的判断。
一套完整的企业级自进化智能体架构——五层分离、Skill 生命周期、Harness + 分层记忆、审批门禁与回滚机制。
Harness 不是框架，不是工具，是工程规范。从上下文管理到知识沉淀，四个维度回答一个问题：如何让不可控的模型，稳定地产出可控的结果？
当你手上的 Agent 从 1 个变成 N 个，你用什么方式把它们组织起来？6 种经过了验证的编排模式，从 Supervisor-Worker 到 StateGraph，每种都有对比表和适用场景。
Agent 流水线跑通了，多 Agent 协作验证了——但架构还是作坊级的。上云、Kanban、质量门、自我进化，四步从作坊到工厂。
写完了 Hook 的理论文章，然后照着做了一个。结果半小时从零到跑通。Hook 系统核心只有三样东西：注册表 + 动作函数 + 引擎。
240 个技能，格式参差不齐。ECC 理论落地第一步：定义标准模板，批量升级 20 个最常用技能。2 小时做了什么、学到了什么。
每天产生几十条会话数据，除了翻出来看还有什么用？连续学习把"翻历史→找模式→写 skill"自动化——四步管道从 Session 到 Skill，产生复利效应。
Agent 的本质是工具调用循环。Hook 系统在工具调用前后插一脚——安全检查、自动质检、连续学习，把"靠人记着做"变成"系统自动做"。
一个好的 Agent 不是"模型+提示词"的堆砌，而是一个有五层架构的操作系统。从 ECC 的 22 万 Star 看分层设计的必要性。
你不知道 Agent 记得什么，就无法调试它。三个观测维度、Memory Bank 模式、5 步排查流程。
没有遗忘策略的记忆系统，就是堆满旧物的仓库。TTL、衰减、版本覆盖三种策略，以及不遗忘的三类代价。
跨会话记忆是"断片"的重灾区。存什么、怎么存、怎么取——从结构化设计到与 Hermes 现有工具的对接方案。
更大的上下文不等于更好的记忆。注意力衰减是硬约束。分层结构、摘要压缩、优先级保留——三种策略组合让 Agent 在有限上下文内记住关键信息。
工作记忆管当前会话、情景记忆管历史交互、语义知识管长期沉淀。三层对应三种不同的信息生命周期，也意味着三种不同的存储方案和检索策略。
开发过程中 Agent 频繁"断片"——长对话健忘、新会话归零、重复问题。这不是模型不够聪明，是记忆架构没有设计。
模型什么都能说出来，但你要的只是它"该说的那部分"。输出约束就是在模型开口之前，给它的回答画好边界。
每一次 Agent 交互都会产生有价值的信息。知识沉淀就是从对话中提取模式、坑点、决策，让经验不随着对话结束而蒸发。
模型的输出不可信，这是一个前提，不是一个 bug。验证闭环就是在每一个关键输出后面加一道检查。
上下文窗口再大也是有限的。好的上下文管理不是"塞更多"，而是"知道该放什么、该扔什么"。
Orchestrator、Swarm、Pipeline——不是三选一，是根据任务特征组合使用。一个真实的系统里，三种模式可能同时存在。
MCP 的文档看起来很完美。但真正集成的时候才发现：工具描述质量决定 Agent 表现，跨网络传输的复杂度被低估了，版本管理还没有标准答案。
Hermes + Harness、LangGraph、Dify——三者在多 Agent 系统中分别扮演什么角色？一张图看清定位，然后自然知道什么时候该用哪个。
LangChain 和 LangGraph 是竞品吗？都不是。LangChain 官方文档一句话说清了：LangChain 的 Agent 建立在 LangGraph 之上。它们是上下层，不是替代关系。
什么时候用单Agent，什么时候拆成多个？并行分发、流水线、动态委派三种模式的实际工程经验。
隐藏的 Loop 不可观测、不可调试、不可治理。四步方案：命名 → 声明 → 观测 → 治理。每一步都有代码实现。
五个坑我全踩过。PoC 翻车、成本失控、人抵制、没评估、安全后置——每个都付出了真金白银的代价。
四个主流框架的设计哲学、适用场景和选型决策方法。没有最好的框架，只有最合适的。
Chunking、Embedding、检索优化、重排序、生成优化、评估——RAG 是一条完整的工程流水线，不是把文档扔进 Prompt。
传统软件能打断点，Agent 出错了你连它刚才想了什么都不知道。
6 小时完成了自进化引擎的数据库、采集器、分析器、进化器、沙箱、治理层全部代码，全链路测试通过。
从架构设计到代码落地——数据库设计、模块实现、对接方案、三阶段上线计划。纯工程视角。
花了两天用 LangGraph 搭多 Agent 流水线，和自己的 delegate_task 方案做了对比。结论：不是替代关系，是互补关系。
用 LangGraph 的 StateGraph 搭一个多 Agent 文档分析流水线。边做边写，全透明——环境搭建、代码实现、踩坑记录、对比总结，每一步实时更新。
告警规则写在代码里，改一条规则就要改代码、测试、部署。可配置化之后，新增一条规则只需要 INSERT 一条记录。
一个广告中介平台的同步引擎，从每个上游写一份硬编码逻辑，到零代码配置化接入的完整过程。
一个系统化的五步框架：场景识别→技术验证→试点运行→规模推广→持续运营。每一步都有明确的门槛和退出标准。
大多数 Agent 项目在上线前算不清成本。一个工程化的 ROI 框架——从 Token 消耗到人工替代，帮你把账算清楚再动手。
不是所有场景都适合 Agent。一个系统化的判断框架——从任务特征到 ROI 预判，在动手之前就知道该不该做。
三大威胁、三层防护、HITL 设计、审计链——Agent 上生产的安全必修课。
Token 成本、模型路由、缓存策略、Token 压缩、ROI 计算——五个维度的成本优化方法论。
不谈概念，只讲现实。AI Agent 到底走到了哪一步，以及传统企业应该怎么办。
一张知识地图——这个领域到底有多大、从哪里开始、每一步通向哪里。
从 WSL 到阿里云、34 篇文章、LangGraph 实战跑通——这一周做了过去一个月的事。
刚结束的中国 AI 智能体大会上，Harness 是十大议题之一。不是"要不要做"，而是"怎么落地"。三个信号告诉我：方向对了，但差距在哪里。
霍夫曼说大多数公司 AI 落地只到 5%。一个经历了 ERP、大数据、云三次技术浪潮的 IT 老兵告诉你：不是技术买不起，是组织改不动。
网站框架改造完成、记忆系统系列启动中、导航重新设计。一周回顾与下周计划。