对于编程来说，数据存放的位置，决定了它的生命周期，生命周期决定了该数据块的影响范围和能力边界，能力越强，责任越大，agent干的活越多、多个agent之前的协作越复杂，messages列表越长，如果不加以控制会在多轮对话之后撑爆LLM的context window。如果需要干这个活，那么需要组建一个团队，这个团队中的成员都有专属的角色和岗位，当然每个成员都有其自己的岗位职责。subagent就像找

这样下去Agent的对话历史会被无限延长，直到撑爆LLM的上下文窗口。如果用Agent干些复杂的活，这个问题将会很快出现。当然有很多种办法来延缓这个问题，其中一个是上下文压缩。

tools = [},},},这是 OpenAI Function Calling 的标准格式。这段 json Schema 本质上是一份工具说明书，它会随着每次 API 请求一起发送给 LLM。LLM 读到这份说明书后，就"知道"agent可以执行 bash 命令、读文件、写文件等等。每个工具要管控好安全风险。LLM 本身不会执行任何代码。它只是根据工具说明书，输出一段结构化的 JSON，表达"

这段，可自动扫描项目中是否存在已知漏洞的依赖组件（支持pip项目）。✅ 适用于：Python 项目（或（通过公开 API）📦 无需安装额外工具，仅需requests和pip依赖文件。

简单来说，就是模型一本正经的胡说八道，当模型生成的文本不遵循指令或原文或者不符合事实，就可以认为模型出现了幻觉。大模型是概率模型，束缚就是条件概率中的前文条件。幻觉选择的虚假事实需要与补白所要求的内容类型一般都是匹配的，“张三”可以幻觉为“李四”，但不大可能幻觉成“石头”。大模型的知识学习过程（训练阶段），是一种信息压缩过程；大模型回答问题，就是一个信息解码过程（推理阶段）。好比升维了又降维。一个

fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;JSON-RPC请求JSON-RPC响应AgentMCP Server（工具提供方）：是一个独立的HTTP服务方，暴露一组工具。它不关心LLM的存在。它主要只干两件事，告诉调用方它有哪些工具、调

loop：agent如何自主运行？tools: agent如何作用于世界memory: agent如何回忆过去planning: agent如何规划未来（应对复杂任务）rules: agent如何遵守约束？skills: agent如何掌握做事的方法mcp：agent如何获得新工具这7层架构是当今主流Agent框架的共同架构，nanoAgent用不到300行代码将这个架构完成的展现了出来。

loop：agent如何自主运行？tools: agent如何作用于世界memory: agent如何回忆过去planning: agent如何规划未来（应对复杂任务）rules: agent如何遵守约束？skills: agent如何掌握做事的方法mcp：agent如何获得新工具这7层架构是当今主流Agent框架的共同架构，nanoAgent用不到300行代码将这个架构完成的展现了出来。

plus版本的agent有了记忆和规划能力，但是还有一些问题需要解决工具是硬编码的：无法接入外部服务，tools market没有行为约束：不同项目，不同团队对 agent要求不同，无法定制agent规划是被动触发的：用户通过 --plan 参数来激活规划功能，agent不知道什么时候该规划这三个问题，引出了agent架构中最精彩的三个概念：MCP（工具协议）、Skills（技能）、Rules（行

✅ 使用 标准 Git Flow 工作流图 作为参考（如 Atlassian 官方图）。✅ 所有合并操作必须遵循 “从下往上” 的原则：feature → develop，develop → release，release → main。✅ 紧急修复（hotfix）是例外，但必须通过专用分支完成，不能直接合并 main 到 develop。