◆ The Learning Grove 林间拾穗

标签：context-management

  • 从 800 KB 到 1.8 KB，账单却一分不减：为什么英伟达劝你砍掉长上下文，Anthropic 却帮 100 万 Token 修高速路 yage.ai
    文章讨论了在利用 Claude Code 等工具进行长对话时，如何通过 Message Threads 增量传输协议来优化上下文处理，以解决长对话首字等待时间过长的问题。该协议将长对话单次上传的请求包中位数从约 800 KB 降至 1.8 KB，但模型每轮仍读取完整历史。同时，文章对比了英伟达关于长上下文扩展带来的硬件成本增加的实验结果，并分析了 Anthropic 采用的轻量级内存暂存协议的工程限制，以及与 OpenAI 长连接模式在处理上下文和合规性方面的差异。文章总结了在构建智能体时，应根据算力成本和合规边界选择不同的技术路线，如使用锯齿波模式结合增量传输和上下文压缩，或优先考虑不落盘设置的 WebSocket 长连接模式。
  • DeepSeek 超級代理架構：從會話模式邁向事件驅動與雙層系統設計 Best Partners TV
    影片探討隨著編碼代理普及，多視窗會話模式使人類注意力成為瓶頸。介紹了將經典作業系統設計融入 AI 代理的「超級代理」架構，包括路由器與工作層的雙層分工、事件驅動過濾、上下文管理、非同步推測執行、算儲分離及看門狗監控，並分析了初步實驗結果與面臨的擴展與安全挑戰。
  • 从 RAG 到 Agent Memory：决定智能体该记住什么与记忆晋升机制 AI Engineer
    Oracle AI Database 技术市场负责人 Wojtek Pluta 探讨了 AI 智能体记忆系统。他指出 RAG 仅代表读取路径，而记忆是写入路径；需通过分类、比对与护栏机制进行“记忆晋升”，并介绍了 Oracle 的 agent memory 架构与上下文卡片设计。
  • 面向 Agent 而非人类设计 CLI：Airbyte 在 MCP 与命令行界面的工程实践 AI Engineer
    Airbyte 软件工程师 Pedro Lopez 深入探讨了如何为 AI Agent 构建高效的交互接口。文章系统对比了模型上下文协议（MCP）与命令行工具（CLI）在 Agent 场景下的适用边界，并总结了 Agent-First CLI 的三大核心设计原则：纯粹的 JSON 输入输出、强一致性的动名词命名结构，以及通过上下文分块与渐进式发现机制避免上下文溢出。
  • 远程团队如何系统化构建组织级 AI 素养：Automattic 的两周沉浸式培训与内部生态实践 AI Engineer
    拥有 1400 多名分布式员工的 Automattic，分享了其系统性提升组织 AI 素养的核心方法论。团队摒弃了单纯分发工具的做法，设立 50% 结构化学习加 50% 真实项目实战的两周沉浸式训练营。通过自研 Automattic Context MCP 内部网关、培育‘向导/冠军’网络、组织线下交流并设立跨职能支持机制，实现了从工具尝试到深度业务重塑的飞跃。
  • 不写代码的协调员：Cursor Projects 在赌什么 yage.ai
    Cursor Projects 通过协调员统筹云端 Agent 集群，将软件开发从单次会话转向长周期工程体。文章解析其云端优先、文件化经验及外部信号驱动等设计，揭示行业对持久化 Agent 基础设施的共识，并指出验收成本与 Token 消耗是核心挑战。
  • harness 设计的关键决策：同一个开关，一个模型赚了，一个崩了 yage.ai
    研究拆解编程智能体外层控制软件（harness）的规划、上下文与接口设计，发现同一精简策略对不同模型效果迥异。核心在于根据模型能力、任务场景及成本预算进行工程取舍，而非盲目做减法。
  • 强化学习重构搜索范式：从脆弱流水线到自进化检索 Agent AI Engineer
    传统基于大模型的检索虽然质量高，但成本高昂且耗时漫长，严重消耗 Agent 上下文与计算资源。SID.ai 提出通过强化学习训练专用的搜索子 Agent，利用搜索结果高可验证性的特点进行闭环训练。该方案相比直接调用前沿模型实现了 20 倍速度提升与 100 倍成本下降，同时避免上下文污染，展现了端到端机器设计对人工流水线的全面超越。
  • 用 Claude Cowork 重塑产品管理：打造一天完成一周工作的自优化 AI 工作流 How I AI
    Miro 产品经理 Daniel Bloom 深度拆解了他基于 Claude Cowork 与 Notion 构建的个人 AI 工作流。该系统通过每周准备与晨会简报自动化管理会议纪要与跨工具待办，更具备上下文主动捕获、间接改写学习、技能推荐与多源建议审核等自愈自优化闭环，并将工作站机制推广至全团队。
  • 从单体到多智能体：Navan 生产级 AI Agent 架构演进与落地实践 AI Engineer
    Navan 首席架构师 Roberto Milev 与架构团队成员 Uday 分享了生产级 AI Agent 的参考架构演进。内容涵盖运行时持久化、动态上下文与技能管理、基于轨迹评估与 Hooks 的可观测性体系、企业级安全护栏，以及从单 Agent 渐进式加载到 A2A 协议的编排权衡。
  • Grok Bot 泄露：为什么 agent 的 system prompt 必须冻结 yage.ai
    文章深入探讨了 Grok Bot 源码泄露后，在 Agent 系统设计中如何管理 system prompt 的稳定性与动态性。核心思想是，将 system prompt 视为需要显式管理失效边界的工程对象，并提出了‘稳定’（冻结到 compaction 边界）、‘追加’（append-only 序列化）、‘外置’（超过 12KB 的内容写到文件系统）等六条纪律，以平衡模型性能、运行成本和上下文容量。
  • AI办公竞争逻辑与未来演进：从Token消耗到云业务盈利的飞轮效应 人民公園說AI
    文章分析了AI办公领域的竞争逻辑，核心在于通过增加Token消耗量和积累优质过程数据来驱动云业务盈利，最终实现模型部门成本降低和C端飞轮的构建。同时探讨了行业亮点，如交互模式的演进（如Tag）、工作流的整合（如数字员工、龙门客栈模式），以及模型应用中上下文的重要性与边界划分。
  • Codex Harness 架构深析：OpenAI 开源智能体底座的实现与优化 AI Engineer
    本文深入解析了 OpenAI 开源智能体运行底座 Codex Harness 的核心设计，涵盖延迟加载工具、基于 Node REPL 的浏览器操控机制、多平台沙箱环境、自动安全审查子智能体以及用于解决高吞吐量推理网络瓶颈的 WebSocket 与上下文压缩技术。
  • Claude认证架构师考试：智能体工程的反模式实战指南 AI Engineer
    加州大学伯克利分校的Frank Coyle教授深入解析Anthropic新推出的Claude认证架构师考试。他通过六大生产场景，重点剖析智能体工程中的常见反模式：从循环控制与停止原因、上下文隔离、子任务压缩到多智能体协作中的群体思维陷阱，为智能体AI职业发展提供实用导航。
  • 从 HANDBOOK.md 的实验看：结果确定性何时会失败，以及怎样改进？ yage.ai
    文章探讨了在开发财务助理 Agent 时，如何从“过程确定性”转向“结果确定性”的工程实践。核心观点是，结果确定性并非意味着无限放权，而是需要构建清晰的分层控制架构，包括“结果确定性需要确定性的反馈与独立审阅机制”（运行时反馈闭环和独立审阅 AI）以及“面对长任务，用规划能力与分层控制应对上下文饱和”（分层 Agent 控制架构，如检索、推理、规划阶段的组合）。文章强调，必须在架构层面建立确定性的反馈和门控，以确保 Agent 在复杂业务中既灵活又可靠。
  • 给智能音箱加上大模型以后，为什么还得重做交互？ yage.ai
    文章探讨了将大模型集成到智能音箱后，为什么仍需重新设计交互逻辑。核心观点在于，仅仅实现语音识别和自然对话不足以构成一个完整的语音Agent。系统在处理用户指令时，必须解决注意力状态、上下文边界和动作授权范围这三个关键问题，并根据不同场景（如驾驶、共享空间）对回复长度、数据私密性和操作风险进行差异化管理。
  • “母病速归”式 AI：号称省 65% Token，实测只有 8.5% | 宝玉的分享 baoyu.io
    文章探讨了“电报体 Skill”在 AI Agent 中的应用，该技能旨在通过极度精简语言来压缩 Token 消耗。实验结果显示，虽然宣传能节省高达 65% 的 Token，但实际测试中仅能达到约 8.5% 的节省率。作者指出，这种优化主要针对聊天场景的客套话，而对于编程 Agent 而言，Token 大头通常来自上下文、代码和工具调用等部分，过度压缩可能导致信息不完整或增加后续返工成本。
  • 探索递归语言模型在大型代码库中的上下文管理与应用 AI Engineer
    本文探讨了递归语言模型（RLM）的概念，重点阐述了如何将RLM应用于处理超大型代码库的挑战。文章介绍了现有解决方案，如搜索、语义搜索和上下文压缩，并提出了核心思想：将上下文管理外化到可编程执行环境，使模型能够编写代码来动态检查、切片和计算相关块值。最后通过实践演示了如何利用RLM作为记忆层，实现对大型项目进行根本原因分析或仓库上岸等复杂任务的自动化工作流。
  • 用手机远程调度自主 AI 编程智能体：OpenAI Symphony + Linear 深度实战访谈 How I AI
    本期访谈中，Kernel Labs 创始人、Latent Space 播客联合主持人 Alessio Fanelli 详细分享了他如何利用 OpenAI 的 Symphony 框架结合 Linear 任务管理系统，构建在云端 VPS 运行的自主 AI 编码与工程任务流，实现“用手机或 Slack/Linear 随时下发指令、智能体自动提交 PR、人类只需评审”的开发管理范式；并分享了 AI 在线下的实体业务（如高价值宝可梦卡牌扫货定价、传统海鲜配送库存盘点、个人图书整理等）中颠覆传统的低效人工流，推动小型企业与个人数字化生产力的创新探索。
  • 构建卓越的 Agent 技能：逃离“技能地狱”的终极指南 AI Engineer
    本文基于 AI 工程师世界博览会的演讲内容，系统梳理了如何编写高效、可预测且低能耗的 AI Agent 技能（Skills）。通过深入分析触发机制、内部结构设计、引导词技术以及剪枝协议，为开发者提供了一套逃离“技能地狱”的完整实操框架。
  • 将 10,994 条笔记转化为活体研究记忆：构建个人 AI 研究操作系统 AI Engineer
    Paul Iusztin 和 Louis-François Bouchard 分享了他们如何用 18 个月时间，将 Obsidian、Readwise 等工具中的上万条笔记，通过一个基于纯文件、无数据库的三层架构（原始内容、索引、Wiki），构建成一个可查询、可演化的个人 AI 研究操作系统。他们详细介绍了从简单深度研究算法到集成第二大脑，再到最终加入 Wiki 层的演进过程，并展示了如何通过 Claude Code 插件实现自动化研究、代码库分析和知识沉淀。
  • Claude Tag 拆开看：技术上没那么新，但企业授权的对象变了 yage.ai
    文章分析了 Claude Tag 等 Agent 产品在技术层面与企业应用层上的变化。核心观点是，这些产品并非模型技术的本质突破，而在于将 AI 视为需要正规授权、治理和计费的非人类执行体。真正的变革在于企业管理对象从“谁装了 App”转向“这个 Agent 以什么身份存在、能访问什么、谁负责它”，这正在重塑企业软件的分发逻辑和定价模式。
  • 用好AI不只是对话：将AI应用视作工程问题与工作流定制 破壁圆桌
    嘉宾石同学结合在机器人与日常工作中的实践，分享如何将复杂任务工程化拆解、沉淀为skill与自动化闭环，并探讨了AI能力边界、上下文质量与记忆系统管理。
  • Claude Code 拆解：一个生产级 AI 编程智能体是怎么造出来的 · 乔木博客 向阳乔木
    本文对 Claude Code 的源代码进行了深度逆向分析，揭示了其核心逻辑仅占代码量的 1.6%，其余大部分是围绕模型构建的运营基础设施。文章详细拆解了 Claude Code 从补全工具到自主智能体的演进阶段，并深入探讨了其基于五个核心价值观和十三条设计原则的架构哲学，包括权限系统、上下文管理和多层防御机制等关键工程决策。
  • Cursor 2026报告解读：AI编码时代的效率革命与阶层分化 Best Partners TV
    基于Cursor 2026年《开发者习惯报告》，全面解析AI编码工具带来的生产力爆发。从单人产能翻倍、超级PR涌现，到极少数顶尖开发者主导的基尼系数失衡，探讨全局上下文复用、自动化合流及模型成本策略如何重构软件开发新范式。
  • 工作日常：AI工具、技能开发与个人知识管理系统构建 课代表立正
    本播客记录了关于AI工具使用效率、技能开发与个人知识管理系统（PKM）构建的深度对话。讨论了非技术与技术人员在使用AI时面临的挑战，如何通过文档化（SOP）和技能（Skill）提升AI复用性。特别强调了如何将AI融入日常工作流，实现信息摄取、组织、积累和输出的自动化，以及AI模型评估与基准测试的重要性。
  • 软件工厂的缺失基元：构建自主代理群落 AI Engineer
    软件工程师 Lou Bichard 探讨了如何通过“软件工厂”模式实现 SDLC 的自动化。他指出，尽管运行时和编排问题基本已解决，但代理协调（agent coordination）与上下文管理仍是核心痛点。他提出了以虚拟机（VM）为基础的开发环境隔离方案，并探讨了通过状态机和命令行工具（CLI）实现代理间协作的未来方向。
  • 快速模型需要“慢”开发者：AI 时代的开发策略重构 AI Engineer
    随着编码模型推理速度实现 20 倍的质的飞跃（如 Codex Spark 达到 1200 token/s），开发者必须从追求‘一次生成、大规模并行’的坏习惯转向实时的‘人机协作’。本文通过硬件层、架构层到开发实践的深度拆解，提出了一个实操手册：利用模型速度优势实现代码验证与自动化重构的零成本化，并强调了在模型生成速度超过人类认知速度时，保持代码质量、 steer 能力以及精确的上下文管理的重要性。
  • 来自 Codex 官方团队的分享：如何把 Codex 用到极致 | 宝玉的分享 baoyu.io
    本文介绍了如何将 Codex 从单一的编程助手进化为能够处理多样化电脑工作的全能 AI Agent。通过利用持久对话流、任务干预与排队、自动化、目标设定及多工具协作，开发者可以将工作流从代码延伸至桌面操作、网页交互及多任务闭环处理，实现人机协同的极致效率。
  • 多 Agent 协作实战：从自动化冷邮件到对抗性编程 INDIGO 数字镜像
    本访谈由 Indigo 主持，嘉宾 Jacky 分享了利用多 Agent 协作系统实现生产力跃迁的实战经验。核心案例涵盖了利用 AI 自动化完成 YC 创业公司冷邮件触达并成功获得赞助、通过“对抗性编程”实现代码自动生成与审查，以及构建个人信息聚合中枢。对话深入探讨了 Agent 作为“数字伙伴”的特质，强调了上下文管理在未来 AI 工作流中的核心地位。
  • 深度拆解：AI Agent Harness 的构造 | 宝玉的分享 baoyu.io
    本文深度拆解 AI Agent Harness 的核心架构，阐述其组件（编排循环、工具、记忆、上下文管理等）如何将 LLM 转化为全能 Agent。文章强调 Harness 是 Agent 生产级性能的关键，并展示了不同框架的实现，指出 Harness 架构的工程能力至关重要。
  • AI Agents 的上下文管理：从陷阱到策略 AI Engineer
    本次演讲深入探讨了 AI Agents 在处理不断增长的上下文时面临的挑战，特别是‘上下文工程’的重要性。演讲者分享了他们构建 Agent Alex 时遇到的‘恶性循环’，并阐述了如何通过‘智能截断与内存’、‘长会话评估’以及‘子 Agent 卸载’等策略来有效管理上下文，同时指出了当前仍需解决的长期记忆和上下文选择等问题。
  • Agent 文件系统：从喂给模型记忆到让模型自己翻文件 yage.ai
    本文深入分析 AI Agent 记忆机制从向量数据库向文件系统的演进，指出成本、LLM 能力及渐进式披露是驱动因素。文章介绍了 Anthropic、Vercel、Turso 等公司的实践，讨论了语义弹性、安全与 GC 等挑战，并预测未来架构将以文件系统为核心的状态层。
  • 小模型推理架构的缺失与重构：Superlinked 的开源实践 AI Engineer
    Filip Makraduli 探讨了当前 AI 市场在小模型推理架构上的空白。他指出，尽管大模型备受关注，但在 AI 搜索、文档处理和 Agent 工作流中，小模型在上下文管理和预处理方面具有不可替代的价值。本文深入分析了 Superlinked 开源推理引擎 Sie 的设计理念，涵盖了 GPU 资源热切换、模型前向传播的标准化重构以及自动化集群扩展等核心技术栈。
  • Agent Harness：十二大模块深度解析与未来趋势 Best Partners TV
    本视频深入解析了Agent Harness的核心概念、十二大模块及其在生产级AI智能体中的关键作用。内容涵盖了编排循环、工具、记忆、上下文管理、提示词组装、工具调用、状态与检查点、错误处理、护栏、验证与反馈、子Agent编排以及初始化与环境搭建。视频还对比了Anthropic、OpenAI、LangGraph、CrewAI、AutoGen等主流框架的设计哲学，并探讨了Harness与模型共同进化的趋势及七大架构抉择，强调了Harness工程在未来AI竞争中的核心地位，并指出“模型不行”往往是Harness架构不完善的根本原因。
  • Agent Harness：让AI从聊天机器人变成真正的智能体 · 乔木博客 向阳乔木
    文章介绍了"Agent Harness"，即围绕 LLM 构建的完整软件基础设施，负责编排循环、工具、记忆、上下文管理和安全等。它强调了 Harness 工程作为第三层工程的重要性，并列举了生产级 Harness 的 12 个组件及设计决策，指出 Harness 设计对 AI Agent 性能至关重要，并预测未来 Harness 会趋向更薄，以适应更强大的模型。
  • Claude Code 源码大泄露：深度拆解封号机制、模型策略与 4 层上下文压缩算法 AI超元域
    本内容源于对昨日意外泄露的 50 万行 Claude Code 源代码的深度逆向分析。文章详细拆解了其追踪标识与封号逻辑，澄清了主对话不存在模型偷换的真相，并深入解析了其优于同类工具的四层上下文压缩体系与三层渐进式记忆架构，最后曝光了包括‘伴侣精灵’宠物系统在内的多项未发布隐藏功能。
  • 🦞 OpenClaw 第二大脑：lossless-claw-enhanced 实现百轮对话零遗忘的深度指南 AI超元域
    本篇内容详细介绍了如何通过开源插件 lossless-claw-enhanced 为 OpenClaw 赋予强大的短期记忆能力。针对原生系统在多轮对话中因上下文窗口阈值限制而导致遗忘早期细节的缺陷，该工具采用 DAG 有向无环图与 SQLite 数据库实现无损上下文管理。作者通过二次开发修复了中文 Token 计算错误并优化了召回机制，将信息检索准确率从 56% 提升至 100%，确保 AI 在复杂架构设计等长文本任务中保持高度的逻辑一致性。
  • AI Agent堆栈的演变：LangChain CEO Harrison Chase谈代理、框架与未来 The MAD Podcast with Matt Turck
    LangChain创始人兼CEO Harrison Chase深入探讨了AI代理技术的演变，从早期模型局限到当前代理架构的突破。他详细阐述了代理核心组件，如系统提示、规划工具、子代理、文件系统和技能，并强调了Harness（代理线束）在模型应用中的关键作用。对话还涵盖了不同类型的代理（对话型与长周期型）、上下文压缩、记忆机制、沙盒安全以及LangChain的产品演进和未来发展方向，为AI开发者提供了构建高效、可靠代理的洞见。
  • 同样的模型，为什么 Cursor 跑不过 Claude Code？ | 宝玉的分享 baoyu.io
    这篇文章比较了 Cursor 和 Claude Code 在使用相同 AI 模型时的表现差异。作者宝玉从上下文管理、应用场景（IDE vs CLI）、以及 Anthropic 自家模型与工具形成的“数据飞轮”效应三个维度分析，指出 Claude Code 因其纯净的上下文、高度的移植性和数据飞轮优势，在开发效率和普适性上可能优于 Cursor。文章预示了 Agent 为中心的工作流将是未来趋势。
  • 利用Manus构建智能研究代理：API深度解析与应用实践 AI Engineer
    本次研讨会深入探讨了Manus AI平台及其API，展示了如何构建多功能智能代理。演讲者通过法语学习助手、邮件自动化、浏览器操作、会议日程抓取及Slack机器人集成等多个实际案例，详细阐述了Manus 1.5和1.5 Light模型在复杂任务处理、文件上传、URL附件、Webhooks管理及多轮对话中的应用。强调了Manus作为通用AI代理在简化开发、提供丰富集成能力方面的优势，并讨论了其在隐私保护和未来功能扩展上的规划。
  • Claude Code工作原理深度解析：简化架构与模型信任 AI Engineer
    本次演讲深入探讨了Claude Code等编码智能体的工作原理及其近期爆发式增长背后的核心创新。主讲人Jared Zoneraich强调了简化架构、对模型能力的信任、高效的工具调用（尤其是Bash）、精细的上下文管理以及多智能体协同的重要性。演讲还对比了CodeX、AMP和Cursor等其他前沿编码智能体的独特设计理念，并提出了智能体评估的新视角，最终总结了构建高效AI智能体的五大核心原则。