- 博客(169)
- 收藏
- 关注
RSS订阅原创 第6篇】memU：让记忆本身成为 24/7 后台 Agent，最激进的主动范式
在所有 Agent 记忆框架中，memU 的设计最为激进：它不再满足于让 Agent“被动存取记忆”，而是**让记忆本身变成一个 24/7 全天候运行的后台智能体**——持续观察、自动学习、主动预判。本文深度拆解 memU 的核心机制：三层分层存储架构（Resource → Item → Category）、双检索模式（RAG 向量检索 + LLM 语义检索）、多模态原生支持与自演化闭环。我们将结合 Locomo 基准 92.09% 准确率、上下文压缩 70%+ 的真实数据，分析其“记忆即文件系统”的设计哲
2026-04-18 11:45:00
754
原创 第四篇：Letta（原 MemGPT）——把 OS 虚拟内存搬进 Agent
当其他框架还在纠结“向量库好还是知识图谱好”时，Letta（原 MemGPT）走了一条完全不同的路：把操作系统的**虚拟内存分页机制**引入 LLM 上下文管理。本文深度拆解 Letta 的三大核心创新：将记忆分为“主上下文”与“外存”的分页调度模型、Git 版本化的记忆协同机制、以及 Agent“睡眠”时的后台学习（Sleeptime）。我们将结合 9.82GB 存储成本和 74% 准确率的真实数据，分析这套 OS 隐喻的天才之处与工程代价。读完你会发现：有时候，计算机科学最经典的思想，恰恰是 AI 最需
2026-04-18 10:00:00
774
原创 第5篇：ReMe——文件即记忆，让用户可读、可改、可迁移
当所有记忆框架都在追求更复杂的存储架构时，阿里 AgentScope 团队却选择了一条“返璞归真”的路：**把 Agent 的记忆直接存成 Markdown 文件**。ReMe（Remember Me, Refine Me）是一个极致的“透明化”记忆框架——所有长期记忆都以人类可读的 Markdown 格式保存在 `.reme/` 目录中，用户可以随时打开查看、手动修改、甚至批量迁移。本文深度拆解 ReMe 的双轨设计（文件 + 向量）、三种记忆分类（个人/任务/工具）、0.7+0.3 的混合检索策略，以及
2026-04-17 19:26:54
855
原创 第三篇：Mem0 —— 当下 Star 最多的记忆中间件，真实成本与性能真相
Mem0 是 GitHub 上 Star 数最高的 Agent 记忆框架，累计下载量超 1400 万次，被 AWS 选为官方 Agent SDK 的记忆提供方。它凭什么这么火？本文深入拆解 Mem0 的核心架构：5 大记忆工厂、向量 + 知识图谱双存储引擎、三种记忆类型设计，并结合真实生产数据，揭露其 p95 延迟降低 91%、Token 成本节省 90% 背后的代价——双存储的同步开销、知识图谱的维护成本，以及在极端规模下的精度退化问题。读完你会明白：Mem0 到底适不适合你的场景。
2026-04-17 01:18:56
654
原创 第2篇：Text2Mem：给记忆系统定义一套“官方语言”
为什么 Agent 操作记忆总是“鸡同鸭讲”？Text2Mem 没有急于做存储，而是从底层为记忆操作定义了一套标准的“指令集”。本文深度拆解其 12 个原子操作如何覆盖记忆完整生命周期、五元 JSON 契约如何将模糊自然语言变成结构化指令、双层验证如何确保操作的安全与一致性。如果你关心记忆操作的标准化、可移植性与可审计性，这篇不容错过。
2026-04-17 01:06:14
634
原创 第一篇：Agent 为什么总“失忆”？
AI记忆系统的深层挑战：从认知误区到技术突破 本文揭示了AI代理（Agent）记忆系统的核心问题，指出单纯扩大上下文窗口无法解决根本性缺陷。通过Meta实验室的真实事故，展示了Agent因记忆压缩导致关键指令丢失的严重后果。文章系统分析了四大认知误区：将上下文窗口等同于长期记忆、忽视注意力衰减、低估成本指数增长、忽略临时性局限。 进一步提出四层记忆架构（工作记忆、情景记忆、语义记忆、程序记忆），并剖析实际工程中的四大挑战：语义理解偏差、上下文过载、检索效率瓶颈和缺乏遗忘机制。
2026-04-16 17:49:25
435
原创 从理念到落地：AI Agent记忆系统的工程化实践指南
本文介绍了AI Agent记忆系统的工程实现方案，提出分层存储架构（工作/中期/长期记忆）和判例式数据结构。核心内容包括：1）基于JSON的判例记录格式；2）记忆写入、检索与激活机制；3）定期维护与清理策略。文章建议从简单错误记录开始，逐步构建可执行记忆系统，通过条件匹配和定期维护提升Agent决策质量，预计可降低50%以上错误重复率。最终目标是将理论转化为可落地的代码实现，使Agent行为更智能可靠。
2026-03-20 19:57:36
471
原创 从“记忆仓库”到“决策面板”——AI Agent的记忆系统进化论
AI Agent社区掀起"记忆革命"，揭示高效认知的本质不在于记忆量，而在于精准筛选。研究发现，不加维护的记忆系统会因"熵增"而失效，40%的内容从未被调用，15%甚至包含有害的错误记忆。解决方案包括：分层架构（短期/中期/长期记忆）、"判例式"知识记录、定期主动遗忘（优先删除最常用、最完整和最新记忆）。真正的智慧在于保留关键原则、失败教训和用户偏好，让记忆系统成为决策面板而非信息仓库。这场革命指向AI认知进化的核心命题：成长不仅是学到了什么，更是忘掉了什么。
2026-03-20 19:35:36
591
原创 OpenClaw 技能深度解析（一）：Self-Improving —— 从 SKILL.md 看 AI 的自我进化逻辑
OpenClaw的self-improving技能通过结构化Markdown文件（SKILL.md）实现AI自我进化，其核心机制包括： 记忆捕获：从用户纠正中提取"模式→偏好"映射暂存待确认区 分层存储：HOT层（高频记忆）、WARM层（情景记忆）、COLD层（归档记忆）的三级存储体系 反思机制：任务完成后自动分析摩擦点并提炼经验教训 人工确认：关键记忆变更需用户批准，确保进化方向可控 该技能特别适用于代码开发、内容创作等需要持续优化输出的场景，使AI能跨会话积累个性化知识。
2026-03-16 23:21:05
1576
4
原创 设计环境，而非编写代码：我们为智能体构建可信任的“角斗场”
作为系列终章，本文提炼Harness Engineering的终极启示：人类工程师的核心工作不再是编写代码，而是为智能体设计一个可信任、高效率的“角斗场”。回顾前文探讨的上下文工程、架构约束、垃圾回收三大支柱，重新定义人类的新角色——环境设计师。深入剖析构建可信任角斗场的四个要素：清晰边界、可观测性、反馈循环、反熵机制。展望Agent-First世界的软件工程新范式，提出未来工程师的核心竞争力是设计驾驭系统的能力。最后，以OpenAI团队的金句作结：“我们最困难的挑战现在集中在设计环境、反馈循环和控制系统上
2026-03-12 18:27:41
370
原创 是解放还是终结？Harness Engineering对软件工程师未来的深远影响
当AI能够以10倍效率生成百万行代码，当“零手工代码”成为现实，软件工程师的价值何在？是面临失业危机，还是迎来价值重塑？文章从代码稀缺性的颠覆入手，解析工程师角色从“执行者”到“驾驭者”的根本转变，探讨新技能树的重构、职业路径的变化，以及责任归属、技能退化等深层挑战。最终提出，Harness Engineering不是工程师的终结，而是解放——让人类从繁琐的编码中解脱，回归思考、设计、决策的本质。未来，最稀缺的能力不再是写代码，而是为AI设计“驾驭系统“
2026-03-11 23:03:31
570
原创 开源与第三方视角：Thoughtworks、LangChain等如何看待Harness Engineering？
本文整合行业对OpenAI Harness Engineering论文的反馈与解读。从Thoughtworks技术雷达的深度分析入手，解析Birgitta Böckeler对Harness三大核心组件的提炼；呈现LangChain的关键实验数据——同一模型更换Harness，效能飙升26%，排名从Top30冲进Top5；探讨Martin Fowler对Harness将成为未来“服务模板”的预测；同时直面争议：这种模式对遗留系统是否适用？Harness Engineering究竟是解放还是新的枷锁？最后，从社
2026-03-11 22:56:15
1746
原创 当AI成为同事：Agent-to-Agent协作带来的新挑战
随着智能体自主性的不断提升，一个全新的现象浮出水面：代码评审、任务协作、问题讨论越来越多地在智能体之间进行，人类逐渐从“执行者”变为“监督者”。本文深入探讨Agent-to-Agent（A2A）协作带来的范式变革。从OpenAI实验中“评审工作移交智能体”的观察出发，解析A2A通信协议（如Google的A2A、Anthropic的MCP）如何为智能体协作奠定基础。同时，揭示这一新模式引入的五大挑战：协议互操作性的“巴别塔困境”、跨智能体可观测性的缺失、安全与信任的边界问题、调试复杂性的指数级上升，以及“语义
2026-03-09 02:27:25
823
原创 从Ralph Wiggum Loop到完全自主：智能体如何实现端到端驱动功能开发
本文追踪智能体自主性的完整进化路径。从最初需要人类频繁介入的“Ralph Wiggum Loop”开始，看Codex如何逐步获得自我验证、自我评审、处理反馈的能力，最终跨越临界点——能够连续工作六小时以上、在人类睡觉时独立完成从任务接取到代码合并的完整闭环。文章详细解析了Ralph Loop的九步循环机制，展示了OpenAI实验中智能体能力的渐进式增强，并结合RPI方法论和行业实践，揭示了“无人在环”的自主开发如何成为可能。这不仅是效率的提升，更是对“谁在写代码”这一根本问题的重新定义。
2026-03-09 02:11:22
554
原创 品味即代码：将人类审美编码为智能体的“垃圾回收”机制
本文深入探讨Harness Engineering中维护长期质量的核心机制——反熵与垃圾回收。当智能体以远超人类的速度生成代码时，技术债务会被指数级放大，代码库面临不可逆的“熵增”风险。OpenAI的解决方案是：将人类的“品味”编码为自动化规则，建立定期运行的清理流程。文章详细解析了“品味不变量”的概念（结构化日志、命名规范、文件大小上限等），展示了如何将评审意见、重构PR转化为持续执行的机械规则。同时，结合“文档园丁”的实践案例，揭示在AI驱动的开发世界中，保持代码库“信号纯度”是智能体高效协作的前提。
2026-03-08 13:45:13
1113
原创 第六篇：记忆的奥秘 —— 对话上下文与持久化存储
nanobot记忆系统采用分层设计实现Agent的"过目不忘"能力。短期记忆通过内存中的滑动窗口维护对话历史，保证上下文连贯性；长期记忆使用可读写的MEMORY.md文件存储重要信息，支持人工编辑；每日笔记按日期归档交互记录；技能文档指导工具使用。这种设计既避免了复杂数据库，又实现了记忆的持久化和结构化，让Agent具备真正的记忆能力。系统通过双重截断策略(消息数量和token限制)优化短期记忆管理，同时保持长期记忆的人类可读性和可编辑性。
2026-03-08 12:12:11
617
原创 自动化围栏：如何通过架构约束驯服AI的随机性
本文深入探讨Harness Engineering中确保代码质量的核心机制——架构约束。当智能体以远超人类的速度生成代码时，如何防止代码库退化为“大泥球”？OpenAI的答案是：为AI套上“自动化围栏”。文章详细解析了分层架构模型（Types→Config→Repo→Service→Runtime→UI）的设计原则，展示了如何通过自定义Linter和结构测试将依赖规则机械化。同时探讨了“品味不变量”的编码实践——将人类的代码审美转化为持续执行的自动化规则。AgentsMesh的实践案例进一步揭示：技术债务会
2026-03-07 14:28:50
1394
原创 给智能体一张地图，而非一本百科全书：知识库的渐进式披露
本文深入探讨Harness Engineering中知识库组织的核心原则——渐进式披露。传统做法试图将所有信息塞进一个巨大的文档（如AGENTS.md）供智能体参考，结果往往导致智能体被海量信息淹没，关键内容反而被忽略。OpenAI团队的实践表明，正确的做法是给智能体一张“地图”而非一本“百科全书”。文章详细解析了结构化文档体系的设计方法：入口文档作为路线图，按模块分层的知识库，以及如何通过“文档园丁”智能体对抗知识腐烂。这些方法共同确保智能体在需要时能快速找到准确信息，而不是在无关内容中迷失。
2026-03-07 14:19:10
811
原创 让应用对AI“可读”：可观测性与运行态信号的重要性
本文深入探讨Harness Engineering中的核心基础设施——如何让应用程序对AI变得“可读”。当智能体不再依赖人类描述Bug，而是能够直接“看”到应用程序的运行状态时，开发的自主性才真正成为可能。文章详细解析了OpenAI团队的三大技术举措：通过Chrome DevTools Protocol让Codex直接操作和感知浏览器、为每个任务提供独立的隔离运行时环境、将可观测性数据（日志、指标、追踪）作为一等公民开放给智能体。这些措施共同构建了一个让智能体能够自我验证、自我修复的反馈闭环。文章还结合Je
2026-03-06 23:47:28
867
原创 角色的重构：当工程师不再写代码，他们的一天在做什么？
本文深入探讨Harness Engineering中最核心的命题——工程师角色的根本性重构。当代码编写完全交由AI执行，工程师的工作重心发生了怎样的转移？文章详细解析了“深度优先”的工作方式，呈现工程师从“执行者”到“驾驭者”的转变：设计环境而非编写代码、定义意图而非调试逻辑、建立反馈循环而非修复Bug。通过拆解一天的工作流和“文档园丁”智能体的诞生，揭示未来工程师的核心能力将不再是编码技巧，而是架构设计、意图表达与系统思维。
2026-03-06 23:41:15
583
原创 百万行代码，零手工撰写：OpenAI内部实验全景回顾
本文详细复盘OpenAI的五个月极限实验——从一个空的Git仓库开始，3人团队如何在“零手工代码”的约束下，构建出百万行代码的Beta产品。文章呈现了实验的核心数据（1500个PR、人均日3.5个PR、10倍效率提升），剖析了从“Ralph Wiggum Loop”到完全自主的进化路径，并揭示了代码吞吐量激增后合并哲学的深刻变革：当修正成本远低于等待成本时，传统的阻塞式门禁必须让位于新的权衡。这是一场对“软件工程”定义的彻底颠覆
2026-03-03 01:15:03
1413
原创 从“提示工程”到“驾驭工程”：AI开发范式的又一次跃迁
本文作为系列开篇，介绍了OpenAI《Harness Engineering》论文的核心概念——驾驭工程。通过回顾一场“零手工代码”的极限实验，展示了一个3人团队如何在5个月内构建百万行代码产品的惊人数据。文章深入探讨了工程师角色的重构：从代码执行者转变为系统驾驭者，并解析了Harness Engineering的三大核心层面。最后，展望了这一范式跃迁对未来软件工程和工程师价值的深远影响。
2026-03-03 01:09:06
2143
原创 MetaGPT深度解析：当AI智能体学会“像人一样协作”
MetaGPT是一种创新的多智能体协作框架，旨在解决大型语言模型在复杂任务中的局限性。其核心思想是模拟公司流水线，通过角色专业化（如产品经理、架构师、工程师等）和标准化操作流程（SOPs）分解任务。该框架引入结构化通信机制和可验证的中间产物（如PRD文档、系统设计图），有效减少模型输出偏差。智能体遵循Observe-Think-Act生命周期，支持多种决策模式，并能自动生成代码和测试用例。MetaGPT已成功应用于实际项目开发，用户仅需输入一句话需求即可获得完整项目输出。
2026-02-23 23:25:45
930
原创 第十一篇：他山之石 —— nanobot 架构设计哲学与未来展望
nanobot 以 4000 行代码 践行 “少即是多” 的 Unix 哲学，通过极简的分层架构、文件即接口的持久化设计以及装饰器即插件的扩展方式，实现了高可读、易修改、低依赖的 Agent 框架。与 LangChain、CrewAI、OpenClaw 等主流框架相比，它舍弃了复杂抽象，专注于核心的“感知-决策-行动-记忆”闭环。展望未来，AI Agent 正朝着 可信智能体、MCP/A2A 协议标准化、Skill 化编排 演进，nanobot 已通过 MCP 集成、轻量多 Agent 协作等方向积极适配
2026-02-23 09:00:00
1055
原创 第十篇：实战演练 —— 用 nanobot 打造一个私人助手
教程提供了从环境初始化、LLM配置（OpenRouter/本地模型）、定义人格与记忆文件（AGENTS.md/MEMORY.md），到开发自定义工具（待办管理、日报生成）、配置cron定时任务、接入Telegram及通过systemd部署为后台服务的完整流程。它系统性地串联了前文讲解的核心模块（AgentLoop、工具调用、记忆机制、配置与日志），生动体现了nanobot“轻量单体、高可组合性”的工程哲学，证明了仅4000行代码即可构建出强大、易维护的AI Agent应用。
2026-02-22 18:00:00
1227
原创 第九篇：测试与调试 —— 保障代码质量的防线
nanobot 通过分层测试策略构建高可靠 Agent 系统。其测试遵循金字塔模型：单元测试（70%）覆盖核心模块独立逻辑，集成测试（20%）验证模块协作，端到端测试（10%）检验完整用户场景。测试中广泛运用 pytest 与 mock 技术，隔离 LLM API、文件系统等外部依赖，确保测试稳定可重复。同时提供结构化调试工具，使开发者能实时洞察内部状态。
2026-02-22 12:00:00
718
原创 第七篇：工具调用 —— 让 Agent 拥有“手脚”
摘要：nanobot工具系统通过分层设计让LLM具备执行能力，包括定义层（Tool抽象基类）、注册层（ToolRegistry）、调用层和反馈层。核心组件包括统一接口的Tool基类、基于JSON Schema的参数验证、动态管理的工具注册表。该系统将工具能力标准化，使LLM能够理解并调用各类工具，真正实现"动手做事"的智能体功能。
2026-02-21 14:45:00
971
原创 第八篇：内外兼修 —— 配置系统与日志监控
nanobot 是一个轻量但设计严密的 Agent 框架，通过类型安全的配置系统与结构化日志系统，为生产环境部署奠定坚实基础。其配置基于 Pydantic V2，支持命令行、环境变量、用户文件、默认值四层优先级覆盖，确保灵活性与正确性；日志系统则提供分级记录与可解析输出，实现程序状态的可观测性。两者共同构成框架的“骨架”与“神经”，使仅 4000 行代码的 nanobot 具备高可靠性与可维护性。
2026-02-21 11:45:00
984
原创 第五篇：与 LLM 对话 —— 模型接口封装与 Prompt 工程
本文深入解析了nanobot框架如何通过LiteLLMProvider和ContextBuilder两大核心模块实现20+种LLM模型的统一调用。LiteLLMProvider作为"语言中枢"，采用懒加载机制优化性能，通过标准化的complete()接口屏蔽不同API的差异；ContextBuilder则作为"思维整理师"，将分散信息整合为完整提示词。架构设计上采用分层抽象，通过配置驱动实现灵活适配，支持动态参数调整和多提供商配置，使Agent能够无缝对接各类模型服务
2026-02-20 13:15:00
1504
原创 第四篇：万能接口 —— 插件系统设计与实现
nanobot插件系统是框架扩展性的核心，采用极简设计和动态加载机制。支持两种插件形式：函数式（使用@tool装饰器快速注册工具）和类式（继承Plugin基类实现复杂事件监听）。系统通过PluginLoader动态扫描目录并导入模块，利用PluginRegistry统一管理插件、工具和命令。装饰器（如@tool、@on_command）通过添加元数据实现声明式注册，自动生成工具Schema供LLM理解。插件可监听消息、命令和事件，通过优先级配置处理冲突。系统还集成MCP协议支持外部服务。
2026-02-20 09:00:00
1573
原创 第三篇：Agent 的大脑 —— 核心循环与消息处理机制
本文深入解析 nanobot 的核心循环——AgentLoop 的实现。通过分析 `agent/loop.py` 源码，揭示了消息从进入系统到返回响应的完整处理流程。重点讲解了 ReAct 模式的具体实现：LLM 调用、工具请求解析、工具执行与结果反馈、迭代控制等关键机制。通过时序图和代码片段，展示了 nanobot 如何用简洁的代码实现复杂的 Agent 逻辑，为读者理解 AI Agent 的“大脑”运作提供了清晰的源码级视角。
2026-02-19 12:15:00
1010
原创 第二篇：俯瞰全局 —— nanobot 源码结构与启动流程
项目采用分层解耦架构，七大模块职责清晰：agent（大脑/推理循环）、bus（消息总线/神经中枢）、channels（多平台适配/五官）、providers（统一LLM接口/语言中枢）、config（配置管理）、session（会话管理）和cli（命令行入口）。消息处理严格遵循ReAct模式：通过ContextBuilder构建含系统提示、长期记忆（Markdown文件）和对话历史的上下文，LLM推理后判断是否调用工具，形成"思考→行动→观察"循环，最多迭代20次防止死循环。
2026-02-19 09:00:00
979
原创 第一篇：初识 nanobot —— 一个微型 AI Agent 的诞生
nanobot具备生产级Agent核心模块：推理循环、工具调用、记忆管理、定时任务及多渠道接入（Telegram/飞书/钉钉等）。通过LiteLLM统一路由，兼容OpenAI、DeepSeek、Claude等20+种主流大模型，并适配MCP协议。其极简架构清晰呈现"思考→行动→观察"核心逻辑，极大降低了学习门槛。
2026-02-18 19:05:15
1920
原创 Agent Team设计模式与思维：从单体智能到群体智慧
本文提出Agent团队的七大核心设计模式：1)工作流模式，将任务分解为有序步骤；2)路由模式，智能分类输入；3)并行化模式，同时处理多个任务；4)编排者-工作者模式，动态分解任务；5)指挥官-调度官模式，解耦规划与执行；6)共识模式，通过投票提高决策质量；7)制作者-检查者模式，建立生成与评估闭环。这些模式遵循专业化分工、关注点分离和渐进式复杂度三大原则，并需要六层架构支撑，包括表示层、智能体层、工具层等。通过分层设计和模式组合，可构建高效可靠的智能代理网络。
2026-02-18 06:30:00
1547
原创 AI生成PPT的技术演进：从智能填充到认知增强
AI生成PPT技术正快速演进，通过大语言模型、多模态融合和智能体架构实现从内容生成到视觉设计的全流程自动化。目前主流技术路线包括NLP+模板引擎、多模态生成、HTML渲染和OOXML原生输出，各有优势与局限。典型系统已构建全链路工作流，实现分层精细控制和垂直场景适配。创新方向涵盖语音驱动、思维导图转换及对话式生成等多样化输入方式。未来，AI PPT将进一步提升语义理解深度和跨模态整合能力，向更智能、个性化的方向发展。
2026-02-17 21:15:00
8092
原创 AI Agent记忆模块进化史：从临时缓存到认知架构的设计范式
Agent的记忆技术经历了三个阶段：工程化集成期（2023-2024）通过向量存储实现基础记忆；结构化图谱期（2024-2025）引入时序知识图谱提升可解释性；认知架构期（2025至今）发展为仿生多模态记忆系统，支持主动回忆与知识内化。当前前沿框架（如MemVerse）采用“海马体-皮层”协同设计，通过参数化记忆与周期性蒸馏显著提升性能。未来趋势包括记忆自动化、强化学习集成及多智能体协同记忆。记忆模块已成为智能体从“工具”跃升为“伙伴”的核心基础设施，开发者需重视短期与长期记忆的解耦设计为智能进化奠定基础。
2026-02-17 15:24:08
928
原创 告别“全能 Agent”：多智能体团队(Agent Team)的设计哲学与实战指南
多智能体系统的核心在于社会化分工，通过关注点分离、认知多样性和容错制衡提升效率。三大经典设计模式包括：主管-工人模式（任务拆解与分配）、顺序流水线模式（线性流程）和圆桌讨论模式（多视角决策）。落地时需明确角色职责、设计通信协议（如JSON消息传递），并规避Token爆炸、死循环等风险。多智能体架构适用于复杂任务，其本质是管理思维的AI化，需遵循"主管管脑、工人动手"原则，通过标准化协作实现高效输出。
2026-02-17 12:00:00
1708
原创 智能体的“死亡”与重生：从显性崩溃到隐性漂移的恢复艺术
LLM Agent（智能体）的脆弱性体现在显性和隐性两类失败模式中。显性失败（如工具执行错误、格式解析失败）可通过自愈循环和分级降级策略恢复，将错误转化为反馈。隐性失败（如逻辑死循环、目标漂移）更危险，需引入监督机制（如死循环检测、Validator Agent验证）和干预层。终极方案是构建“检查点-回滚”机制，支持状态快照、人类介入和记忆分离。健壮的Agent系统需将90%的代码用于处理失败路径，通过错误反射、重试策略和LLM验证等技术，实现从“玩具”到“生产工具”的跨越。
2026-02-17 07:30:00
1177
原创 深入解析 nanobot-agent 核心引擎：AgentLoop 代码详解
AgentLoop 作为消息处理中枢，具备以下关键功能：1）从消息总线接收消息；2）构建提示上下文；3）调用 LLM 推理并执行工具调用；4）管理会话状态和记忆。文章详细介绍了其初始化过程、默认工具注册、MCP 动态扩展机制、主循环设计以及核心消息处理流程。通过精巧的架构设计，AgentLoop 在几百行代码内实现了完整的 Agent 能力，支持会话管理、工具调用、记忆整合等核心功能，展现了高度可扩展性与极简代码量的完美平衡。
2026-02-16 01:52:48
1828
原创 深入解析nanobot的原理与架构
用户输入 → 构建上下文 → LLM 推理 → 决定调用工具 / 直接回答 → 执行工具 → 把结果当作新观察 → 再次推理，直到任务完成。对于想学习 Agent 原理、搭建个人/团队 AI 助手的开发者来说，nanobot 是一个非常好的“教材级项目”。一个功能完整的 AI Agent，不需要几十万行代码，也不需要复杂的“平台化”设计。，按官方文档填写 Telegram / 飞书 / Discord 的凭证。下面是几个比较典型的应用方向，你可以结合自己公司的场景改写。nanobot 的核心是一个典型的。
2026-02-16 01:24:11
3544
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人