上下文压缩（Context Compression）是大模型 LLM 专用前置优化技术：在把文本送入模型推理前，在尽量不丢失当前任务关键信息的前提下，剔除冗余、浓缩语义，大幅减少输入 token 数量，用更少 token 承载同等有效信息。

HarnessAgent 做了一层文件系统 + 命令执行统一抽象接口：上层 Agent、Skill、用户 Prompt 只调用统一抽象 API，完全不感知底层存储 / 执行载体是本地磁盘、远端共享存储还是隔离沙箱容器。

一次 agent.call() 对话执行完毕后，沙箱会把完整运行环境元数据打包为快照持久存储；下一次同 slot（同用户 / 会话）发起调用时，优先读取快照复原环境，不用重新初始化容器、重装依赖、重建文件，实现跨对话环境复用，这个整套能力统称「跨调用恢复」。

每一轮大模型思考前都会执行一次，负责刷新当前会话可用技能清单，并把技能列表自动追加到系统提示词。

这是一套 Agent 自主迭代技能的完整自动化流水线，全程分为自主创作 → 审核灰度发布 → 自动归档治理三大部分。三个模块相互解耦，可以单独开启任意一段，不需要全量启用。

计划模式（Plan Mode）的核心是 将 Agent 所有复杂任务统一拆分为「规划阶段 + 人工审批 + 执行阶段」，并非仅限代码开发，适用于所有多步骤、高风险、长周期的智能体任务。

Channel 是某个具体消息平台的"适配器/驱动"：把平台的原生消息形态，翻译成 Gateway 能理解的统一路由模型，再把 agent 的回复翻译回平台能投递的形态。

工具调用（Tool Calling）允许 AI 模型 调用外部函数和 API，极大扩展了智能体的能力边界，使其能够执行具体操作和获取实时数据。解决幻觉、知识滞后、无法操作现实世界的问题，是大模型从对话走向实用化、工程化、智能化的核心技术，也是 AI Agent 能够自主完成复杂任务的基础。

Projects 是 Langflow 的文件夹管理系统，用于组织和分类你的工作流 (Flows) 和 Mcp Server。

Server-Sent Events 简称 SSE（服务器发送事件），是一种基于 HTTP 协议，客户端只连一次，服务端持续单向推送数据到前端的实时通信技术。