nanobot 的代码量不大，但把一个 Agent 系统需要的东西都覆盖到了。MessageBus做解耦（，不到 30 行）AgentLoop跑 ReAct 循环（做记忆管理（其余的 Channel、Provider、Tool、Skill、Cron 都是往这个骨架上挂的扩展模块。如果你想搞清楚 AI Agent 到底是怎么工作的，我觉得读这个项目比读 LangChain 或者 AutoGen 的源

技巧核心思路适用场景调采样参数控制输出的随机性所有场景零样本/少样本通过示例引导输出分类、格式化、抽取角色扮演设定身份改变风格专业问答、Agent上下文示例给输入输出样本格式要求严格的任务思维链 CoT让模型分步推理数学、逻辑、复杂推理提示工程看起来只是"写几句话"的事，但要写好确实需要积累。多试、多对比、多迭代，慢慢就能摸到门道。写 Prompt 本质上和写需求文档一样——你描述得越清楚，对方（

维度nanobotOpenClaw语言PythonTypeScript动态记忆Session JSONL (类似)长期记忆存储单一 MEMORY.mdMEMORY.md + memory/日期-主题.md历史日志HISTORY.md (只追加)无单独日志，memory/*.md 承担类似角色压缩触发token 数超阈值字符数超阈值 (默认 20000)压缩前处理无Memory Flush (多一次

nanobot 的代码量不大，但把一个 Agent 系统需要的东西都覆盖到了。MessageBus做解耦（，不到 30 行）AgentLoop跑 ReAct 循环（做记忆管理（其余的 Channel、Provider、Tool、Skill、Cron 都是往这个骨架上挂的扩展模块。如果你想搞清楚 AI Agent 到底是怎么工作的，我觉得读这个项目比读 LangChain 或者 AutoGen 的源

说实话，之前听到"Agent"这个词，我脑子里的第一反应就是"不就是套了一层 API 调用的 ChatBot 吗"。但仔细看完第一章的梳理后，我觉得这个理解太浅了。智能体 = 能感知环境 + 能自主决策 + 能执行行动的实体。这个定义不是 LLM 时代才有的，早在经典 AI 教材《人工智能：一种现代方法》（Russell & Norvig）里就提了。只不过以前大家觉得智能体遥不可及，因为传统方案靠

说实话，之前听到"Agent"这个词，我脑子里的第一反应就是"不就是套了一层 API 调用的 ChatBot 吗"。但仔细看完第一章的梳理后，我觉得这个理解太浅了。智能体 = 能感知环境 + 能自主决策 + 能执行行动的实体。这个定义不是 LLM 时代才有的，早在经典 AI 教材《人工智能：一种现代方法》（Russell & Norvig）里就提了。只不过以前大家觉得智能体遥不可及，因为传统方案靠