129 posts tagged with "AI Agent"

两种 agent 表面都"循环",但决定"什么时候退出循环"的主体完全不同——这才是它们真正的分野。

1. 决策主体：ReAct 退出由 LLM 自己判断，Loop 退出由外部规则验证。
2. 适用场景：ReAct 适合查天气这类 3 步内 完成的轻量任务，Loop 适合老代码升级这类需要客观验证的工程任务。
3. 工程难点：Loop 每轮会清上下文重建 prompt，反馈机制与状态持久化是真正的门槛。
4. 真实案例：Claude Code 是 ReAct 框架 + Loop 思维的混合体——LLM 驱动主循环，但把判官能力下放给 Bash 工具的 exit code。
5. 思想定位：Loop Agent 不是新模型，是承认 LLM 会幻觉出错，结合软件工程验证与 AI 生成能力的务实架构。

Claude Code 连续工作几个小时不爆 context，不是因为「记性好」，是因为 它同时维护三个版本的历史，每次只把最该看的那一份喂给模型。

1. 核心观点：成熟的 Agent 不止有「聊天记录」，而是把 UI 历史 / 接口视图 / 磁盘会话链 分成三层。
2. UI 历史：用户在终端看到的精简版，只保留关键节点。
3. 接口视图：实际发给模型的那一份，叠加了 Prompt Cache 与压缩投影。
4. 磁盘会话链：完整事实记录，永远不修改，恢复靠「投影」而不是「改写」。
5. Resume 不是回放：恢复会话 = 在磁盘链上选投影策略重新生成接口视图。
6. 压缩的本质：从无损丢消息升级为「按当前任务相关性重新切片」。

Skill 装得越多效果越差；可视化是 5 分钟筛掉一个陌生 skill 的最快工具。

1. 数量上限：相关研究显示 7-10 个 是单 agent 装 skill 的甜点，超过会显著掉效果
2. 挑选两条件：取"充分理解"+"实际在用"的交集，任一不满足就别装
3. 可视化筛选 Archscribe：把 SKILL.md 转可编辑 excalidraw + 动画 GIF，比逐字读快 5 倍
4. 飞书 Coze 案例：五类功能各一张图，整体 5 分钟扫完
5. 5 项硬指标：目录结构 / 触发条件 / 外部依赖 / 失败预案 / 不冲突，全过才装

2026 年 AI Agent 的真正主战场不在 ChatGPT 这种对话框里，而在用户的桌面端 —— 直接接管点击、视觉验证、本地长 workflow 的能力，云端 Agent 暂时做不到。

1. 方向转向：桌面端 Agent 率先爆发，2C 侧先于 2B，传统桌面软件进入"回光返照"窗口期。
2. 核心优势：千人千面 + 极低使用成本 + 极低试错成本，云端 SaaS 不具备这种灵活度。
3. 战场转移：Agent 取代的第一步是人在桌面的操作：点击、视觉验证、多软件长 workflow。
4. 演进优先级：先跑通本地流程，云端 SaaS 那些传统优势后做再说；本地 + token key 已足够跑 MVP。
5. 结论：个人 PC + AI 是 2026 年最被低估的应用形态，性价比远超云端订阅。

Anthropic 的真正危机不是模型能力，而是商业模式——一手收客户的钱、一手偷客户的数据和 IP，等模型足够好那天，企业就会发现这是一笔血亏的交易。

1. 指控核心：提供模型的公司会变成你的竞争对手，Figma、Cursor 都被吃过了。
2. 老剧本重现：微软靠 Windows 垄断吃掉合作伙伴、Google 用搜索流量做自家页面、OpenAI 在 YC 撒钱偷创新。
3. 成本测算：实测用最强开源模型替代 Anthropic，成本降 90%+，代价只是慢 3 倍。
4. 关键窗口：6~12 个月，开源模型一旦越过能干活的门槛，闭源巨头就被绕开。
5. NVIDIA 转向：英伟达模型免费送、靠芯片赚钱，帕兰提尔 + 英伟达 = "主权 AI" 已经在跑了。

Graph Engineering 是 Loop Engineering 之后冒出来的下一个 AI Agent 工程热词——70% 是新瓶装旧酒，30% 是真东西。

1. 真变化：单 Agent 自迭代（Loop）升级为多 Agent 协同 + 治理（Graph），前者解决收敛，后者解决分工
2. 关键术语：节点 + 边 + 状态，再叠加节点契约、调度、持久化、并发、恢复、权限、评估
3. 触发事件：Peter Steinberger 7 月 18 日"还搞 Loop？该 Graph 了"推文两天 200 万浏览
4. 三层架构：Harness（运行躯干）→ Loop（收敛循环）→ Graph（编排网络），90% 的 Agent 死在 1-2 层
5. 踩坑提醒：单 Agent 任务硬上多节点是过度设计，先把 Loop 跑稳
6. 判断标准：单 Agent 自我迭代无法收敛时加 Loop；多个 Loop 互相打架时再加 Graph

Skill 存流程，Memory 存经历，事实没人存——这就是 Knowledge 必须单独留一层的原因。

1. 三 层分工：Skill 管怎么做，Memory 管发生过什么，Knowledge 管事实是什么。
2. 事实写进 Skill 会腐坏：流程半年一改，价目表一周一改，两者不能同一个生命周期。
3. 事实写进 Memory 会被污染：一次错误结论会被当成「我记得」反复引用。
4. Graph 不是没前途，是被误当成通用记忆层：独占场景只剩多跳关系和时序失效。
5. 大多数公司不需要再抽一张图——业务库外键、CMDB、数据血缘早就是图。
6. grep 替代 RAG 有三个前提：在文件系统上、目录有语义、术语是稳定字面量。
7. 结论：知识组织的成本从检索侧前移到了写作侧。

MCP 接 OAuth 2.1 不是"为了安全"四个字能打发的，它是 AI Agent 进企业生产环境的准入门槛。

• 原生隐患：静态 API key 写死在配置文件里，大模型等于顶着管理员权限在跑。
• 三宗罪：权限失控、提示词套话吐令牌、所有操作审计不到具体人。
• 为什么是 2.1：砍掉隐式授权和密码模式，PKCE 从可选变强制。
• 关键设计：令牌只活在客户端传输层，绝不进大模型上下文。
• 最大难点：Agent 推理跑到一半令牌过期，靠 401 静默刷新兜住思考链。
• 规模化：DCR 让企业内上千个 MCP server 免手工注册凭证。

OpenAI 把 Codex 编排做成了语言无关的规范。

1. 三 大要素：SPEC.md（规范） + elixir/（参考实现） + WORKFLOW.md（仓内配置）
2. 定位升级：从「管 agent」升级到「管工单」
3. 主循环：拉 tracker → 建 per-issue workspace → 跑 Codex app-server
4. 边界：低密预览版，只跑受信环境，无内置沙箱
5. 设计巧思：host 侧注入 tracker 凭据，主动从 Codex 子进程剔除
6. License：Apache-2.0，可绕过 Elixir 按规范自实现

Prompt 注入是 LLM 时代的新型安全威胁。

• 本质：把恶意指令塞进用户输入，劫持 AI 的决策逻辑
• 核心原理：指令优先级劫持 — 模型分不清系统规则和攻击代码
• 三步攻击：识别 prompt 结构 → 构造 payload → 触发执行
• 与 SQL 注入对比：同样利用边界混淆，攻击目标是 AI 语义，防御成熟度差 20 年
• 防御要纵深：输入过滤 + prompt 分层 + 最小权限 + 上下文沙箱 + 输出检测 + 日志监控
• 反直觉：AI 越智能，被攻破后破坏力越大