在探讨 Agent 架构前，我们必须直面一个在机制上看似反常识的事实：LLM 本身是绝对无状态的（Stateless）。

对人类来说，这大概是个几分钟随手就能完成的简单任务。但对机器人系统而言，短短一句话，需要系统先确定目标区域和检查对象，组织导航、感知和动作执行；过程中则需要持续接收障碍、光线、图像质量、电量、网络状态等反馈；任务结束后，还要形成图片、告警或任务记录并返回给用户。

对人类来说，这大概是个几分钟随手就能完成的简单任务。但对机器人系统而言，短短一句话，需要系统先确定目标区域和检查对象，组织导航、感知和动作执行；过程中则需要持续接收障碍、光线、图像质量、电量、网络状态等反馈；任务结束后，还要形成图片、告警或任务记录并返回给用户。

最近看了一个非常不错的 关于 Context Engineering 的分享，里面综合讨论了 Anthropic，Cognition，Manus，Chroma，LangChain 等公司在这个领域方面的最新思考和实践，有点像当年分享过的 Applied LLMs[2]，非常值得一看。

最近看了一个非常不错的 关于 Context Engineering 的分享，里面综合讨论了 Anthropic，Cognition，Manus，Chroma，LangChain 等公司在这个领域方面的最新思考和实践，有点像当年分享过的 Applied LLMs[2]，非常值得一看。

最近看了一个非常不错的 关于 Context Engineering 的分享，里面综合讨论了 Anthropic，Cognition，Manus，Chroma，LangChain 等公司在这个领域方面的最新思考和实践，有点像当年分享过的 Applied LLMs[2]，非常值得一看。

最近在做导购Agent，工程侧已经开发完毕，但调Prompt、做测评，每一个都令我痛苦万分，因为到处都是“翻车现场”：要么“思维太发散”，绕着用户的问题走；要么“工具乱点”，命中一个tool就一条道走到黑；要么“跑不完”，说着说着卡住了，再没了下文......

程序员这行，外人看来高大上，高薪，体面，能力强，改变世界。实际情况是加班多，有时候熬夜，也要不断学习，通过开发无数的系统，方便了民众的生活，提供了民众生活的品质，所以程序员是可爱的一群人

想象你在训练一个 AI 操作命令行终端。直觉告诉你：给它安排越多的练习任务，它就会越强。但腾讯混元团队的最新研究发现，这个直觉可能是错的——真正决定训练效果的不是任务数量，而是 AI 在执行这些任务时经历了多少种**不同的场景和技能组合**。

用我的经历给大家一点参考我是26届ip地9本硕，项目是本科课设做的数据库+操作系统+编译原理。按理说找个实习不至于这么狼狈，但我25年2月开始投简历的时候，属于那种典型的"自我感觉良好但实际没准备"的状态——觉得自己有项目、有学校背景，投出去总会有人要。