你可能已经习惯了“用哪个 AI 编程工具更强”的争论。

上周我排一个 Agent 执行链路的问题，日志里有一行特别刺眼：模型把「检查依赖」理解成了「重装依赖」，生成了一条 rm -rf ./node_modules && npm install。

去年 10 月，我在跑一个自动化内容分析 Agent——每隔几分钟拉一批数据、调 LLM 分析、写回数据库。它跑了好几周没出过事。

文章摘要： 本文聚焦智能Agent架构中的记忆层，对比了记忆层与上下文管理层的区别，并介绍了三种持久化架构。记忆层负责跨会话的知识持久化，决定了Agent能否记住用户偏好和历史信息。与上下文管理不同，记忆层具有永久存储、跨会话、数据库存储和检索后注入的特点。文章详细分析了三种记忆架构：1)键值对存储，适合结构明确的小量数据；2)对话日志+摘要归档，通过定期压缩对话历史生成摘要；3)向量检索，实现语

本文从工程角度深入分析了Agent Harness的五层架构设计及其对模型表现的影响。通过类比CPU与整机的关系，说明Harness作为模型运行环境的重要性。五层架构包括：会话控制层（连接管理和触发机制）、上下文管理层（规范注入和窗口策略）、记忆层（跨会话知识持久化）、工具执行层（安全调用外部工具）和输出通道层（结果交付）。文章指出，Harness的设计质量直接影响模型20-40%的性能表现，并分

系列第一篇拆了 5 层总览，第二篇深入了上下文管理。这篇聚焦第 3 层——记忆。上下文管理处理的是"当前 session 内的信息"，记忆层处理的是"跨 session 的知识持久化"。这一层决定了你的 Agent 是一个"每次见面都忘了你是谁的陌生人"，还是一个"记得你偏好和历史的助手"

系列收官篇。前四篇拆了会话控制、上下文管理、记忆、工具执行。但还有一层没有显式画在架构图里，却横跨所有层——**模型路由**。用一个模型跑所有任务，要么太贵（全用旗舰），要么质量不够（全用便宜的）。这篇讲怎么在 Harness 里设计智能路由，让每个任务自动跑在最合适的模型上。

本文面向有 Python 基础的开发者，聚焦 DeepSeek-R1 的 API 接入与实战使用，帮你搞清楚「什么时候该用 R1，什么时候 V3 就够了」。

本文面向有 Python 基础的开发者，聚焦 DeepSeek-R1 的 API 接入与实战使用，帮你搞清楚「什么时候该用 R1，什么时候 V3 就够了」。

OpenClaw 跑了 6 周，日均处理 200 条消息。3 次严重故障导致服务中断超过 1 小时。复盘发现：没有一次是模型回答错了导致的。问题全部出在模型之外的地方。