本文围绕多 Agent 编排展开，分析了单 Agent 在复杂任务中的局限，包括职责混乱、工具调用不可控、上下文过长和失败难恢复等问题。随后介绍了 Workflow、DAG、Supervisor、Planner-Executor-Replanner、Swarm/Handoff 等常见编排模式，并结合 Java / Spring AI 项目说明多 Agent 编排在代码中的落地方式。多 Agent

今天继续学习 AI Agent 中非常关键的一块能力：记忆 Memory。以前我对 Agent 记忆的理解比较简单，以为它只是“把历史聊天记录存起来”，但进一步学习后发现，真正的 Agent 记忆并不只是保存上下文，而是要解决“跨会话持续理解用户、按需提取关键信息、更新旧记忆、减少重复上下文消耗”等问题。本文会从 ChatMemory、短期记忆、长期记忆、RAG 与 Memory 的区别、Mem0

Agent的记忆机制是多层次的信息管理系统，旨在解决大模型缺乏持久记忆的问题。短期记忆通过滑动窗口保留最近对话，受限于上下文长度；长期记忆存储用户偏好、任务经验等关键信息，借助外部数据库实现持久化，与RAG技术类似但目标不同（RAG补充知识，记忆维持个性化）。复杂Agent可采用三层记忆架构（工作记忆/短期/长期），结合压缩、检索和动态更新，确保连续性。记忆系统的核心是精准管理而非简单堆积，需平衡

最近在学习 AI Agent 时，我发现一个很有意思的概念：Harness。很多人关注模型能力、工具调用、RAG、多 Agent 编排，但真正让 Agent 从 Demo 变成工程系统的，往往不是模型本身，而是模型外面那一层运行控制系统。本文从 Java 开发者视角出发，聊聊什么是 Agent Harness，它和 Agent Framework、Runtime、Workflow 有什么区别，以及

最近在学习 AI Agent 时，我发现一个很有意思的概念：Harness。很多人关注模型能力、工具调用、RAG、多 Agent 编排，但真正让 Agent 从 Demo 变成工程系统的，往往不是模型本身，而是模型外面那一层运行控制系统。本文从 Java 开发者视角出发，聊聊什么是 Agent Harness，它和 Agent Framework、Runtime、Workflow 有什么区别，以及

本文围绕多 Agent 编排展开，分析了单 Agent 在复杂任务中的局限，包括职责混乱、工具调用不可控、上下文过长和失败难恢复等问题。随后介绍了 Workflow、DAG、Supervisor、Planner-Executor-Replanner、Swarm/Handoff 等常见编排模式，并结合 Java / Spring AI 项目说明多 Agent 编排在代码中的落地方式。多 Agent

本文总结了作者在开发SuperBizAgent智能问答系统过程中的工程化实践与理解。主要内容包括：1）Maven的BOM机制统一管理依赖版本；2）SpringBoot DevTools实现开发热重启；3）Makefile标准化项目命令；4）Docker Compose编排Milvus及其依赖组件；5）深入理解RAG技术链路的工程实现，包括文本向量化、Milvus集合（类比数据库表）的CRUD操作、

今天梳理了 Workflow 与真正 Agent 的区别，并重点学习 ReAct、Plan-and-Execute、Plan-Execute-Replan 等推理模式。真正的 Agent 不只是调用工具，而是能理解目标、拆解任务、观察结果并动态决策下一步。

今天继续学习 Agent 开发，在前几天理解 Prompt、Tool、Function Calling、RAG 等基础概念的基础上，进一步梳理了 RAG 检索增强流程、Chunk Size 与 Overlap 的作用、ReAct 的推理与行动机制，以及 ChatMemory、sessionId 和最近窗口加载在多轮对话中的意义，逐步理解智能体如何结合外部知识、工具调用和上下文记忆完成任务。

本文从 Java 开发者视角出发，梳理了 AI Agent 的基本概念、核心组成与工作流程。Agent 以大语言模型为大脑，结合 Prompt、Tools、Memory 和 Planning，实现任务理解、步骤规划、工具调用与结果反馈。通过与传统 Java 后端开发对比，可以更清晰地理解 Agent 的工程化价值，也为后续学习大模型 API、Tool Calling、RAG 和 Agent 项目实