AgentLoop 作为消息处理中枢，具备以下关键功能：1）从消息总线接收消息；2）构建提示上下文；3）调用 LLM 推理并执行工具调用；4）管理会话状态和记忆。文章详细介绍了其初始化过程、默认工具注册、MCP 动态扩展机制、主循环设计以及核心消息处理流程。通过精巧的架构设计，AgentLoop 在几百行代码内实现了完整的 Agent 能力，支持会话管理、工具调用、记忆整合等核心功能，展现了高度可

本文深入探讨Harness Engineering中维护长期质量的核心机制——反熵与垃圾回收。当智能体以远超人类的速度生成代码时，技术债务会被指数级放大，代码库面临不可逆的“熵增”风险。OpenAI的解决方案是：将人类的“品味”编码为自动化规则，建立定期运行的清理流程。文章详细解析了“品味不变量”的概念（结构化日志、命名规范、文件大小上限等），展示了如何将评审意见、重构PR转化为持续执行的机械规则

本文深入解析了SDK与API在现代软件开发中的核心作用与相互关系。API作为服务间通信的"契约"，定义了标准化的接口规则（如RESTful、GraphQL等），而SDK则是包含API库、开发工具和文档的集成工具包。报告通过技术架构图详细展示了API网关层、控制器层等核心组件，以及SDK的三层抽象架构。通过实战案例（前端监控、AI应用开发等）说明了两者的协同工作机制，并对比了它们在开发流程中的不同角

当其他框架还在纠结“向量库好还是知识图谱好”时，Letta（原 MemGPT）走了一条完全不同的路：把操作系统的**虚拟内存分页机制**引入 LLM 上下文管理。本文深度拆解 Letta 的三大核心创新：将记忆分为“主上下文”与“外存”的分页调度模型、Git 版本化的记忆协同机制、以及 Agent“睡眠”时的后台学习（Sleeptime）。我们将结合 9.82GB 存储成本和 74% 准确率的真实

在所有 Agent 记忆框架中，memU 的设计最为激进：它不再满足于让 Agent“被动存取记忆”，而是**让记忆本身变成一个 24/7 全天候运行的后台智能体**——持续观察、自动学习、主动预判。本文深度拆解 memU 的核心机制：三层分层存储架构（Resource → Item → Category）、双检索模式（RAG 向量检索 + LLM 语义检索）、多模态原生支持与自演化闭环。我们将结

当其他框架还在纠结“向量库好还是知识图谱好”时，Letta（原 MemGPT）走了一条完全不同的路：把操作系统的**虚拟内存分页机制**引入 LLM 上下文管理。本文深度拆解 Letta 的三大核心创新：将记忆分为“主上下文”与“外存”的分页调度模型、Git 版本化的记忆协同机制、以及 Agent“睡眠”时的后台学习（Sleeptime）。我们将结合 9.82GB 存储成本和 74% 准确率的真实

nanobot具备生产级Agent核心模块：推理循环、工具调用、记忆管理、定时任务及多渠道接入（Telegram/飞书/钉钉等）。通过LiteLLM统一路由，兼容OpenAI、DeepSeek、Claude等20+种主流大模型，并适配MCP协议。其极简架构清晰呈现"思考→行动→观察"核心逻辑，极大降低了学习门槛。

AI Agent社区掀起"记忆革命"，揭示高效认知的本质不在于记忆量，而在于精准筛选。研究发现，不加维护的记忆系统会因"熵增"而失效，40%的内容从未被调用，15%甚至包含有害的错误记忆。解决方案包括：分层架构（短期/中期/长期记忆）、"判例式"知识记录、定期主动遗忘（优先删除最常用、最完整和最新记忆）。真正的智慧在于保留关键原则、失败教训和用户偏好，让记忆系统成为决策面板而非信息仓库。这场革命指

nanobot 通过分层测试策略构建高可靠 Agent 系统。其测试遵循金字塔模型：单元测试（70%）覆盖核心模块独立逻辑，集成测试（20%）验证模块协作，端到端测试（10%）检验完整用户场景。测试中广泛运用 pytest 与 mock 技术，隔离 LLM API、文件系统等外部依赖，确保测试稳定可重复。同时提供结构化调试工具，使开发者能实时洞察内部状态。

本文深入解析 nanobot 的核心循环——AgentLoop 的实现。通过分析 `agent/loop.py` 源码，揭示了消息从进入系统到返回响应的完整处理流程。重点讲解了 ReAct 模式的具体实现：LLM 调用、工具请求解析、工具执行与结果反馈、迭代控制等关键机制。通过时序图和代码片段，展示了 nanobot 如何用简洁的代码实现复杂的 Agent 逻辑，为读者理解 AI Agent 的“