很多 AI 编程助手都有这个毛病：这一轮像老同事，下一轮像新实习生。你刚教完项目偏好、命令习惯、踩坑记录，开个新会话又得重讲。问题不只是模型上下文不够长，而是记忆没有变成一条可维护的管道。Claude Code 更依赖人手写CLAUDE.md；Codex 的新方向，是把“什么值得记、什么时候忘、用到后如何反馈”拆成后台流程。官方README 已把这条链分成 read path 和 write pa

开箱即用、可任意替换组件的"全功能 Agent 骨架"。它最初源于团队拆解"Claude Code 为什么好用"的实验，后来长成一个完整的 Agent 生态：核心 SDK + 终端编码 Agent（dcode）+ 部署/评测/协议配套。纯 Python monorepo，libs/下多个独立版本发布的包底层依赖 LangChain / LangGraph / LangSmith有配套 JS/TS

开箱即用、可任意替换组件的"全功能 Agent 骨架"。它最初源于团队拆解"Claude Code 为什么好用"的实验，后来长成一个完整的 Agent 生态：核心 SDK + 终端编码 Agent（dcode）+ 部署/评测/协议配套。纯 Python monorepo，libs/下多个独立版本发布的包底层依赖 LangChain / LangGraph / LangSmith有配套 JS/TS

开箱即用、可任意替换组件的"全功能 Agent 骨架"。它最初源于团队拆解"Claude Code 为什么好用"的实验，后来长成一个完整的 Agent 生态：核心 SDK + 终端编码 Agent（dcode）+ 部署/评测/协议配套。纯 Python monorepo，libs/下多个独立版本发布的包底层依赖 LangChain / LangGraph / LangSmith有配套 JS/TS

Agent 工具越多选得越不准不是模型问题，而是上下文拥挤的工程问题。5 类解法（渐进式披露/检索前置/分层路由/描述消歧/组合式路由）从不同角度压缩候选数，把 tool-selection 准确率从 <30% 拉回 90%。附统一维度对比与选型决策树。给 agent 接了第 30 个 MCP 工具后，准确率从 95% 掉到 30%。不是模型变笨了，是上下文里的工具说明书已经把它的「工作台」堆成了

SuIM-SDK是跨端IM客户端的内核，本地存 SQLite（Web 换 IndexedDB），对外靠 JSON 字符串 + 回调接口 跨语言。打开app后，会先InitSDK，这一阶段只校验并保存客户端环境配置 + 注册连接回调.置，不连网。然后就挂监听SetListeners。「挂监听」= App 把自己的回调对象交给 SDK，之后服务端推送 / 本地同步 / 连接状态变化都会主动调你，而不是

替换宿主机 IP + 开放所有端口（7001-7006、17001-17006） + 初始化集群命令；必须是宿主机 IP，关闭保护模式；避坑点：添加避免容器网络隔离导致的通信失败，开启 AOF 持久化防止数据丢失。

Apache Kafka 是一个开源的分布式流处理平台，最初由 LinkedIn 开发，后捐赠给 Apache 基金会。Kafka 提供了一套统一的高吞吐、低延迟平台，用于处理实时数据流，本质上是一个分布式的、分区的、多副本的提交日志服务Kafka 的设计更像一个数据库日志，而非传统的消息系统。发布与订阅：以消息队列的方式发布和订阅流式数据存储：以容错的持久化方式存储数据流，消息保留时间可配置处理

LangChain 是目前最成熟、生态最丰富的 LLM 应用开发框架。它的核心价值在于将 LLM 从"对话机器人"升级为"任务执行引擎"——通过模块化的链式编排、智能体的自主决策、以及与外部数据源和工具的无缝集成，让 AI 能够真正完成复杂的工作流。对于开发者而言，掌握 LangChain 意味着能够系统性地构建 RAG 知识库、多智能体协作系统、自动化工作流等生产级 AI 应用。

保持简洁：在设计中维持简单性，不要为了"智能"而增加不必要的复杂性优先透明：明确显示智能体的规划步骤，让用户和开发者都能理解决策过程精心设计接口：通过彻底的工具文档和测试来优化 ACI一个 Skill 就是一个包含SKILL.md文件的目录。就像给新员工写的入职指南，它包含有序的说明、脚本和资源，赋予 Agent 额外的能力。嵌入 + BM25优于单独使用嵌入Voyage 和 Gemini嵌入模型