本文复盘了CodingAgent中Skill自学习机制的设计过程。受HermesAgent启发，采用经验提取、知识储存、智能检索、执行验证的闭环设计，明确区分Memory（陈述性知识）和Skill（程序性知识）。经过三轮迭代：从机械计数到引入LLM判断，最终实现统一的三态决策（跳过/创建/修改）和维护机制。关键认知是Skill应作为低成本、可迁移的知识资产而非生成工具。设计经验包括：在AI开发中需

本文复盘了CodingAgent中Skill自学习机制的设计过程。受HermesAgent启发，采用经验提取、知识储存、智能检索、执行验证的闭环设计，明确区分Memory（陈述性知识）和Skill（程序性知识）。经过三轮迭代：从机械计数到引入LLM判断，最终实现统一的三态决策（跳过/创建/修改）和维护机制。关键认知是Skill应作为低成本、可迁移的知识资产而非生成工具。设计经验包括：在AI开发中需

方案优点缺点只用 bash灵活强大危险、不可预测、路径不可控专用工具安全、可控、可限制范围需要事先定义好要暴露的功能核心思想：给 LLM 的能力要"最小化原则"——只给它完成目标需要的工具，而不是把所有权限都放开。自动压缩触发时，生成摘要并替换全部消息历史，不会在摘要旁保留最近的 N 条消息。这避免了一个微妙的连贯性问题：如果同时保留近期消息和旧消息的摘要，模型会看到重叠内容的两种表示。摘要可能说

obsidian。

摘要：本文系统剖析了现代AI Agent实现"能干活"的三层工程架构：1)上下文工程，通过结构化提示、工具定义和Few-shot示例优化有限上下文窗口的信息密度；2)记忆系统与RAG，采用分层记忆存储和HyDE等检索策略解决知识获取问题；3)MCP协议标准化工具连接，实现跨平台操作执行。三层协同工作解决了Agent的即时认知、历史知识存取和实际操作三大核心挑战，使其从单纯对话发