loop函数是代理的"心脏"，核心逻辑是无限循环的工作-闲置交替：先让代理调用大模型处理任务（工作阶段），任务停了就进入闲置阶段；闲置时检查有没有新任务/消息，有就继续工作，没有就超时关机。_idle_poll是代理"主动找活干"的逻辑：闲置时每5秒检查一次，先看有没有人发消息，再看任务板有没有没人做的任务；只要找到一个，就认领并恢复工作；60秒都没找到，就关机。函数是代理的"任务扫描器"，核心是

第八季的这次升级是从“脚本执行器”到“智能并发代理”的质变。通过引入，代码实现了一个经典的生产者 - 消费者模型生产者：后台线程（执行命令，生产结果）。消费者：主代理循环（消费结果，决定下一步行动）。缓冲区：通知队列。这种架构使得 Agent 能够像人类开发者一样：启动一个编译任务，然后在编译完成前先去写文档或检查日志，极大地提升了自动化效率。

多Agent的上下文管理核心是「分层隔离+用完销毁+只传摘要父Agent做任务拆分和结果汇总，上下文只保留核心信息，保证轻量化；子Agent处理单一子任务，使用独立的全新上下文，避免父上下文被冗余数据污染；子Agent执行完后销毁自身所有中间上下文，只返回摘要给父Agent，从根本上解决单Agent上下文膨胀、信息冗余的问题。

第五季的核心是「技能分层+按需加载第一层（系统提示）：低成本常驻，让模型知道「有什么技能」；第二层（load_skill工具）：高成本按需加载，让模型获取「技能的完整规则」；对比第四季：第四季解决「上下文膨胀」（横向隔离），第五季解决「系统提示冗余」（纵向按需），两者结合能支撑更复杂的Agent系统。面试时重点说清「两层注入」的逻辑：为什么要分层（代币浪费）、怎么分层（摘要+完整内容）、怎么落地（

第六季的核心是「上下文全生命周期管理微压缩：「日常瘦身」，处理旧的长工具结果，低成本且无感知；自动压缩：「应急兜底」，代币超限时彻底瘦身，保全核心信息；手动压缩：「主动优化」，模型按需触发，适配复杂场景；磁盘转录：「安全网」，所有历史不丢失，可追溯/可恢复。对比第五季：第五季是「少拿」（按需加载技能），第六季是「少存」（压缩上下文），两者结合实现了代币和上下文的双重高效管理。

S07的核心是「从扁平内存清单到持久化依赖任务图用磁盘JSON文件实现任务持久化，跨会话/Agent不丢；用定义依赖关系，支持串行/并行任务规划；完成任务时自动解阻塞，让Agent能自主判断「哪些任务可以开始做」；新增任务操作工具，让模型能自主创建/更新/查看任务，成为复杂任务的「指挥中枢」。面试时重点说清「依赖图（DAG）」「持久化」「自动解阻塞」这三个关键词，以及它们如何解决S06之前的「无依

第五季的核心是「技能分层+按需加载第一层（系统提示）：低成本常驻，让模型知道「有什么技能」；第二层（load_skill工具）：高成本按需加载，让模型获取「技能的完整规则」；对比第四季：第四季解决「上下文膨胀」（横向隔离），第五季解决「系统提示冗余」（纵向按需），两者结合能支撑更复杂的Agent系统。面试时重点说清「两层注入」的逻辑：为什么要分层（代币浪费）、怎么分层（摘要+完整内容）、怎么落地（

结构化跟踪：用将模糊的「多步骤任务」转化为模型可识别的结构化清单，替代不可靠的上下文记忆；强制约束：通过工具调用+格式校验，确保模型必须更新进度，避免「口头规划、实际失控」；提醒兜底：用计数器+强制提醒，解决模型「忘记更新清单」的问题，始终锚定整体任务目标。简单来说，这套方案相当于给模型配了一个「任务看板」，并在它走神时拍醒它，确保长流程任务的每一步都可控、可追溯。

这是 Agent 能“动手”的关键。我们不是让模型直接运行命令，而是定义一个工具规范 (Schema)。# 定义工具列表。这是一个 JSON Schema 描述。# 模型看到后，就知道它有一个叫 "bash" 的工具可用，并且知道调用它需要传入 "command" 参数。TOOLS = [{},}]当模型决定调用工具时，本地 Python 代码负责真正执行。# 安全过滤：防止模型生成毁灭性命令tr

sentence-transformers 是基于双塔 BERT 结构的句向量生成库，通过池化与对比学习生成适用于相似度检索的稠密向量。sentence-transformers（简称 SBERT） 是面向句子/文本向量表征的专用库，基于 BERT/RoBERTa 等预训练模型做双塔结构微调，专门用于生成可直接做相似度计算的句向量。我给你把 sentence-transformers 也用 RAG