沙箱容器提供强隔离环境，所有 Shell 命令、文件 IO 操作都在容器内部执行，保证宿主环境不受污染。Skill 的脚本文件（*.sh、*.py 等）存放在宿主文件系统，但 Agent 需要在隔离容器内执行这些脚本。

Nacos 自 3.0版本 起定位升级为一个易于构建 AI Agent 应用的动态服务发现、配置管理和 AI 智能体管理平台，为企业级 AI 应用提供统一的资源注册、发现与治理能力。

MysqlSkillRepository 是 AgentSkillRepository 的 MySQL 持久化实现。

MemoryConfig 是 AgentScope 框架 Agent 运行层的长期记忆流水线统一配置类，统一管理三大 LLM 驱动记忆流程的全部参数

在人工智能与大模型应用领域，向量（Embedding Vector）是指通过嵌入模型（Embedding Model）对文本、图像、音频等非结构化数据进行语义编码后，生成的固定长度、高密度、低维连续数值数组。

Skill 本质是封装完整业务能力的目录包，Agent 会根据用户提问自动匹配对应技能，内部可读取参考资料、执行 shell 脚本完成任务。

系统提示词（System Prompt）是给大模型底层预设的固定指令，优先级高于用户每一轮提问，相当于提前给 AI 定好身份、规则、能力边界、输出规范，全程生效。

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。

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。

简单来说：LLM 就像一位知识渊博但需要精确指令的助手 —— 你如何提问，直接决定了它能给你多好的答案。同样的模型，不同的提示词写法，效果可能天差地别。这条规律几乎适用于所有 LLM 应用场景：分类、摘要、翻译、问答、代码生成、创意写作……