本文讨论 AI Agent 的 Memory 治理：用户偏好会随时间与场景变化，记忆可能冲突、过期、被错误强化，也可能在删除后继续影响推导结果。因此，Memory 不应被视为永久事实，而应具备作用域、时间、置信度、来源追踪、覆盖、降权、过期与撤销机制。成熟的 Agent，不是记得更多，而是能判断何时该信、该忘、该重新确认。

本文讨论 AI Agent 的 Memory 治理：用户偏好会随时间与场景变化，记忆可能冲突、过期、被错误强化，也可能在删除后继续影响推导结果。因此，Memory 不应被视为永久事实，而应具备作用域、时间、置信度、来源追踪、覆盖、降权、过期与撤销机制。成熟的 Agent，不是记得更多，而是能判断何时该信、该忘、该重新确认。

AI Agent 的核心竞争力并不是拥有更多 Context，而是能够在正确时间获取正确的信息。本文探讨 Context Engineering 的设计原则，分析过量上下文带来的注意力竞争、信息冲突和行为偏差问题，并介绍如何通过 Step 级信息筛选、Planner/Worker 角色隔离、Reviewer 独立验证以及 Sub-Agent 任务包设计，构建高效、精准、可扩展的 Agent 上下文

Tool 数量增长后，Agent 的主要瓶颈会从“有没有工具”转向“能不能在当前任务里找出正确的工具”。

AI Agent 调用工具遇到 429、超时等报错，直接重试极易引发重试风暴，放大服务拥堵。需区分可恢复、条件可恢复、不可恢复错误，读写工具差异化处理，采用指数退避加抖动策略。带副作用的支付、发消息等操作要警惕重复执行风险，优先依靠幂等机制，懂得何时停止比一味重试更关键。

AI Agent 调用工具遇到 429、超时等报错，直接重试极易引发重试风暴，放大服务拥堵。需区分可恢复、条件可恢复、不可恢复错误，读写工具差异化处理，采用指数退避加抖动策略。带副作用的支付、发消息等操作要警惕重复执行风险，优先依靠幂等机制，懂得何时停止比一味重试更关键。

这篇文章围绕 AI Agent 的 Tool 设计展开，重点讨论工具粒度、业务 Tool 与 SQL Tool 的取舍，以及参数缺失、类型错误和调用失败时如何处理。核心观点是：可靠的 Agent 系统不应追求给模型无限自由，而应把 Tool 设计成清晰、有限、可验证的业务能力。通过合理控制粒度、用 Schema 约束参数、允许缺参时追问，并返回结构化错误，可以显著降低模型猜测和误调用，让系统形成“

这篇文章围绕 AI Agent 的 Tool 设计展开，重点讨论工具粒度、业务 Tool 与 SQL Tool 的取舍，以及参数缺失、类型错误和调用失败时如何处理。核心观点是：可靠的 Agent 系统不应追求给模型无限自由，而应把 Tool 设计成清晰、有限、可验证的业务能力。通过合理控制粒度、用 Schema 约束参数、允许缺参时追问，并返回结构化错误，可以显著降低模型猜测和误调用，让系统形成“

Tool 数量增长后，Agent 的主要瓶颈会从“有没有工具”转向“能不能在当前任务里找出正确的工具”。

文章摘要： ReAct框架为AI智能体（Agent）提供了动态决策的核心机制，其核心在于"思考→行动→观察反馈"的闭环循环。与固定流程的自动化程序不同，ReAct使Agent能根据环境反馈实时调整策略，例如查询航班时遇到无直飞或高价情况会自动扩展条件。该框架区别于单纯调用工具的Function Calling（执行层）和内部推理的思维链（Chain-of-Thought），强调