每一个Eventid: 事件的唯一标识符。source: 事件的来源，可以是AGENTUSER或。timestamp: 事件发生的时间戳。cause: 触发此事件的另一个事件的id。将系统中的所有互动都抽象为Event，我们得到了一种通用的语言。无论是Agent的决策、用户的消息还是环境的反馈，都可以统一处理、存储和分发。特别是cause字段，它像一条看不见的线，将Action和它引起的Obser

有意义的多轮对话要求智能体能够理解上下文。就像人类一样，智能体需要记住对话历史：已经说过和做过什么，以保持连贯性并避免重复。以下是OpenHands Applications的示例图，本篇就来看看会话和交互如何进行。因为本系列借鉴的文章过多，可能在参考文献中有遗漏的文章，如果有，还请大家指出。WebSession 是一个 Web 服务器绑定的会话包装器，负责管理单个 Web 客户端连接并协调 Ag

本篇结合官方文档进行解读OpenHands的服务器，这是OpenHands系统的立身基础。因为本系列借鉴的文章过多，可能在参考文献中有遗漏的文章，如果有，还请大家指出。

这些提示词中融入了特定领域的知识准则与操作规范，例如，与Git相关的Microagent，其提示词会包含Git操作的核心技巧与最佳实践，能够引导模型更精确地处理与Git相关的任务，成为主代理应对细分场景的“得力助手”。run_controller 作为 OpenHands 后端单个会话的核心入口协程，核心职责是依据预设配置启动运行时环境、智能体及对应控制器，搭建起从接收用户指令到多步骤执行任务，再

TreeTextMemory 提供了一个完整的记忆管理系统，能存储、组织、检索和维护各种类型的文本记忆、适用需要复杂记忆管理的AI系统。这是一个基于图的、树形明文记忆，支持以结构化方式组织、关联并检索记忆，同时保留丰富的上下文信息与良好的可解释性。我们可以通过这个TreeTextMemory 对象与庞大的知识库进行交互，为AI赋予专业的领域记忆。当前使用Neo4j作为后端，未来计划支持更多图数据库

智能眼镜研究进展：从被动响应到主动服务 近期两篇智能眼镜相关论文展示了AI助手的创新发展方向。《AI for Service》提出主动服务范式Alpha-Service框架，通过轻/重量级模型协同、记忆单元等实现个性化预测性服务；《EgoLife》则聚焦长期生活记忆，构建包含300小时第一人称视频的EgoLife数据集和EgoButler系统，支持7天跨度的生活问答。两研究共同突破传统AI的被动响

综上，ReAct 作为早期 Agent 的核心范式，在 单一任务、短任务链、弱约束 的场景中依然有价值，但作为企业级、跨域、强约束 Agent 系统的基础架构时，其局限性已经是结构性的，而不是简单通过加强提示词或增加工具种类就能弥补的问题。CodeAct 的核心洞见在于，与其让智能体（Agent）扮演 “文书” 角色生成静态指令，不如使其成为 “程序员”—— 直接生成可执行的 Python 代码，

从零开始解析Transformer，目标是：(1) 解析Transformer如何运作，以及为何如此运作，让新同学可以入门；(2) 力争融入一些比较新的或者有特色的论文或者理念，让老鸟也可以有所收获。

从零开始解析Transformer，目标是：(1) 解析Transformer如何运作，以及为何如此运作，让新同学可以入门；(2) 力争融入一些比较新的或者有特色的论文或者理念，让老鸟也可以有所收获。

大模型之所以“忘事”，根本在于我们对“无状态模型”里“上下文窗口”的误解。很多人把它当成一只大箩筐，认为装得越多越好；然而，事实上，上下文窗口更像一块容量有限的工作记忆。硬塞太多信息，只会同时带来如下麻烦：关键内容被噪声淹没，模型抓不住重点，上下文越长，费用和延迟也越高。这不是模型偷懒，而是 Transformer 架构的先天特性。每一次调用都像重新开机：没有长期记忆，上下文一旦过长，注意力就被冗