FastAPI 基础AI Agent 设计。

FastAPI 基础AI Agent 设计。

## 总结| 关键词 | 核心作用 | 工程挑战 ||--------|----------|----------|| Prompt | 定义 Agent 行为边界与输出结构 | 格式稳定性、安全约束 || Context | 管理短期与长期记忆 | Token 窗口、信息压缩 || Loop| 实现目标驱动的迭代执行 | 错误恢复、终止条件 || Harness | 提供运行时的基础设施 | 资

## 总结| 关键词 | 核心作用 | 工程挑战 ||--------|----------|----------|| Prompt | 定义 Agent 行为边界与输出结构 | 格式稳定性、安全约束 || Context | 管理短期与长期记忆 | Token 窗口、信息压缩 || Loop| 实现目标驱动的迭代执行 | 错误恢复、终止条件 || Harness | 提供运行时的基础设施 | 资

这说明,未来的竞争不只是“谁的模型更聪明”，更是“谁能把模型更好地嵌入真实业务系统”。因此,我认为 未来的 AI 应用，不是“只有模型”，而是“模型 + 系统”的组合。可以看到：Agent 并不是突然出现的新概念，而是 AI 能力逐步工程化后的结果。真正有价值的企业 AI，通常不是某一个单独组件，而是这些组件协同工作的结果。这个演进过程反映了 AI 从“回答问题”到“完成任务”的变化。我们可以把

这说明,未来的竞争不只是“谁的模型更聪明”，更是“谁能把模型更好地嵌入真实业务系统”。因此,我认为 未来的 AI 应用，不是“只有模型”，而是“模型 + 系统”的组合。可以看到：Agent 并不是突然出现的新概念，而是 AI 能力逐步工程化后的结果。真正有价值的企业 AI，通常不是某一个单独组件，而是这些组件协同工作的结果。这个演进过程反映了 AI 从“回答问题”到“完成任务”的变化。我们可以把

公域：read、write、edit、bash、websearch、webfetch、glob、grep、ls、skill、task 等。.addStrategy(new KeyInfoExtractionStrategy())// 提取干货，去水。engine.prompt(“帮我查一下当前目录有哪些 Java 文件”).call();bashAgent.prompt(“列出当前目录所有 Jav

公域：read、write、edit、bash、websearch、webfetch、glob、grep、ls、skill、task 等。.addStrategy(new KeyInfoExtractionStrategy())// 提取干货，去水。engine.prompt(“帮我查一下当前目录有哪些 Java 文件”).call();bashAgent.prompt(“列出当前目录所有 Jav

维护这样一个 DB 会有一个好处，当上游更新不及时的时候，我们可以主动往这个 DB 里加新的模型，调整有问题的参数等，非常方便。为此，我还发了一个小视频「DeepChat MCP 超级功能」，展示如何把 DeepChat 开着，让它去帮我整理文件夹：DeepChat 会按照文件类型、后缀名、尺寸大小，帮你整理好文件，在当时看来非常酷炫。最近，有一个国内用户和我说，你们所有模型的 key 都存在本地

当前用 SQLite，但不是"将就着用"，而是"按标准设计，当前用最简单的实现"。没做更复杂的恢复逻辑，属于"知道不完美但优先级不够"的范畴。V2 是 Web 应用，多个用户同时在线，各自的会话各自跑，谁也不能看到别人的消息、串到别人的 SSE 流里。下一轮对话开始时消息列表是自洽的：每个 tool_use 都有对应的 tool_result，虽然结果是"中断"，但状态一致。适合关系型数据库的：