你打开监控面板，看到 1200 条 P2 级告警在排队。按你们 SOC 团队过去三年的经验，里面大概有 33% 是误报——但你不能直接 dismiss，每条都得点进去看上下文：这个 IP 之前有没有出现过、这个用户有没有相关 Slack 讨论、这个文件 hash 在威胁库里是不是已知的。平均每条 4 分钟。1200 条，80 个工时，分给 8 个 L1 分析师，一个晚上的事。

简单说，子代理就是给 AI 指定一个专门的角色。不再说“帮我搞定所有事”，而是明确告诉它：“你现在是测试员”、“你负责安全审查”、“你是重构专家”。在技术层面上，每个子代理都是一个拥有独立上下文窗口的专用 AI 实例。当你在 Claude Code 主对话中下达任务时，Claude 可以判断该任务是否适合委派给某个子代理，由子代理独立完成后将结果摘要返回主对话。

embedding、reranker、向量库、索引刷新、版本兼容，这些东西对平台团队不是大问题，对本地 Agent 用户和小团队就是额外负担。search 返回的不是最终答案，而是候选证据：ref、score、matched terms、description snippets、totalMatches、returned、truncated。它可以返回更完整的 metadata，例如 aliase

于宣布 MiniMax-M3 正式发布，并在于与上正式开源权重。MiniMax-M3 是一款大模型，采用，约，原生支持，并提供与两种推理模式，可根据复杂推理、Agent 任务或低延迟对话/代码补全等不同场景灵活切换。官方推荐的采样参数为top_p=0.95top_k=40。本文使用的是其，在保持精度的同时显著降低显存占用，更适合在有限卡数上部署。官方给出了 MiniMax-M3 与多款主流模型的对

这个框架并没有创造一套全新的技术，而是把 ASP.NET Core、EF Core、Blazor SSR / Razor Pages、Vite、Tailwind、认证、队列、定时任务、CLI 这些东西，用「约定优于配置」的方式预装、整合、规范化。算是一个不错的脚手架。

这一步的作用很简单：先看现在已经放行了什么，再决定是否继续新增。表示把规则写入持久配置，避免重启后失效。对应 443 端口。

品牌国际化 i18n:pms_brand:{id}:{lang} Hash 品牌多语言缓存（按语言分离）库存快照 wms:inv:snapshot:{warehouseId} Hash 仓库库存快照（6小时）用户权限 sys:user:permissions:{id} Hash 用户权限缓存（24小时）系统验证码 sys:captcha:{uuid} String 验证码缓存（5分钟）商品数据 p

因为缓存输入按给定价格只需要标准输入的一小部分成本，这次长上下文请求才没有把账单直接拉爆。原始结论也很明确：这类“长上下文/密集开发”的请求里，缓存就是最核心的省钱点。相反，如果中断很久再重新打开，让上下文重新读取，那么第一次“冷启动”就更可能按标准输入计费。这时，贵的不只是模型版本，而是你失去了之前已经建立起来的缓存优势。如果是像 Codex 这类连续开发场景，短时间内持续互动，更容易反复命中缓

用户可以添加自定义的 MCP stdio 服务器（配置命令、参数、环境变量），保存到 UserDefaults，然后在创建 Agent 时注入。Motive 是一个 macOS 原生的 AI Agent 桌面应用，用 SwiftUI 写的。这是一个务实的决定——万一 SDK 后端有问题，用户还能切回去。是中间类型——Motive 的配置系统有自己的 MCP 描述格式，在传入 SDK 之前转成。我想

每到周一，都要回忆上周干了什么——翻 git log、拼 Jira 链接、整理成人话，半小时就没了。更大的问题是，这些记录如果不及时整理，年底写年终总结时根本想不起来做过什么。想解决这个问题，但又不想每次都手动跟 AI 说"帮我看看这些 commit 写周报"。于是实现了一个 Agent Skill：。在 work-journal 目录下输入：自动扫描上周所有 git 仓库的提交，生成中文周报并