六篇写完了。AI Agent 的难点不在 AI，在工程。篇目核心判断总论prompt 工程不是重点，工程问题决定好坏进程模型阻塞操作 > 100ms 就拆进程权限系统让工具自己说危不危险，框架只做仲裁并发调度让工具自己声明并发安全，调度器一行搞定上下文压缩200K 也会满，四层兜底让 Agent 永不崩溃记忆系统记忆是信噪比问题，不是存储问题Hook 系统（这篇）最笨的插件系统最耐用框架的工作是定

这是系列的第五篇。前四篇讲了进程模型、权限、并发调度、。这一篇讲记忆系统——我做了三个版本才做对。所有 AI Agent 框架都在讲 memory。LangChain 有 ConversationBufferMemory、ConversationSummaryMemory、VectorStoreRetrieverMemory……名字一个比一个长。但我做完自己的记忆系统之后，发现这些抽象全部在解决错

const keepCount = KEEP_RECENT_ROUNDS * 2 // 每轮 = user + assistant],})什么时候用：自动触发（到 80% 阈值时）。保留最近 3 轮的完整上下文（模型还能看到刚才在做什么），早期历史压缩成一段摘要。代价：早期的具体文件路径、错误堆栈可能丢失。但最近 3 轮是完整的，当前任务不受影响。],})return { messages: []

写得越多 AI Agent 我越确信这件事。

这是的第三篇。上一篇讲了，这一篇讲权限。。可以直接抄，类型签名换成你自己的工具基类就行。第一版权限系统我写错了。我把它做成框架级别的：在 Agent 主循环里维护一份列表，凡是命中的就弹确认。修了几次之后我意识到：这个抽象层从一开始就错了。

一共 130 行，可以直接抄。欢迎点点star。这是的第二篇。。写记忆系统的第一周，我把它直接挂在主循环里。每次工具执行完成后，触发一个 hook，hook 同步去算 embedding、写 SQLite、做相似度查询。看起来很优雅——所有数据都在一个进程里，没有 IPC，调试方便。跑了一周我把这个方案删了。原因不是 bug。是体感。

欢迎拍砖,点点star。用 Claude Code 用着用着我有个怪念头：这东西底下是不是就一个 while 循环？跑通它不难。难的是让它。我花了两个月把这个骨架做成能日常用的 Agent。过程中最反常识的发现是：模型已经够强了，prompt 工程不是瓶颈，。

Pandas的功能强大不在于比Excel数据处理能力强，而是能力边界更广，整个Python生态都可以为它所用，能结合sklearn、matplotlib、numpy、tensorflow等各种框架，处理多样化复杂任务、跨领域任务、重复性任务等数据问题。这个确实这样，在处理数据清洗、数据建模、大数据时，Excel运行速度比Pandas慢，因为Excel是图形化软件，依赖电脑性能，且多数情况下需要手工