1. 什么值得记？-> 写入策略2. 现在该想起什么？-> 检索策略3. 怎么告诉模型？-> 注入策略维护 State执行节点合并节点返回控制流程流转这个节点读了哪些 State？这个节点返回了哪些 State？下一个节点拿到的 State 变成了什么？看清这条链路，Memory 就不是黑盒。

模型从 72 分涨到 86 分，不能直接得出“模型变好了”。分数有没有涨？

死循环 = f(信息不变) × g(决策不变) × h(无法终止)层级故障点根因🎯Goal 层Prompt 目标模糊Agent 不知道"完成"长什么样🧠Planner 层无进展感每轮输入相同 → 输出相同🔧Tool 层返回不可判定Agent 无法判断下一步该怎么做💾Memory 层事实丢失重复发现已知信息🚪Exit 层终止条件缺失没有"该停了"的信号🔄Recovery 层恢复策略单一失

能力检查问题目标清晰完成条件能否被机器判断？状态可见每轮 state diff 是否可记录？工具可判定Tool 返回是否包含状态、错误、下一步？记忆可靠已知事实是否脱离上下文窗口持久化？重试受控是否有 retry budget 和 backoff？失败可解释卡住时能否输出原因和已尝试路径？Agent 死循环的本质，是系统无法区分“继续探索”和“原地重复”。解决它，不是只改 prompt，也不是只加

我们设计一套智能喝水器的物联网通信协议：包含上行遥测状态（Device -> Cloud/App）与下行控制指令（App -> Device）。网络层：利用 MQTT 提供了可靠的 QoS 消息投递与 Pub/Sub 解耦。数据层：利用 Protobuf 实现了极度紧凑的二进制序列化，极大降低了 IoT 设备的功耗与流量成本。运维/诊断层：利用 Wireshark + Lua 插件打通了从底层抓包

有些工具不是为了变得很庞大，而是为了把一个具体的卡点补上。这次做的这个项目叫。它的目标很明确：在 Claude Desktop 里使用 DeepSeek 这类文本模型时，如果用户上传了图片，就先让视觉模型把图片读出来，再把图片内容变成文本交给 DeepSeek。也就是说，我们没有试图改造 DeepSeek 本身，而是在 Claude Desktop 和 DeepSeek 之间加了一层本地代理。这层

3 种角色、5 个 Agent、1 套自我纠错闭环。Claude Code 稳定跑了 5 个小时，21 个模块全部交付。提示词全开源。

有些工具不是为了变得很庞大，而是为了把一个具体的卡点补上。这次做的这个项目叫。它的目标很明确：在 Claude Desktop 里使用 DeepSeek 这类文本模型时，如果用户上传了图片，就先让视觉模型把图片读出来，再把图片内容变成文本交给 DeepSeek。也就是说，我们没有试图改造 DeepSeek 本身，而是在 Claude Desktop 和 DeepSeek 之间加了一层本地代理。这层

想学 React，总得从最基础的地方上手。这里整理了几个核心概念：从怎么在页面上显示一个变量，到怎么用状态管理让页面动起来。没有废话，直接看代码。

你还在像跟朋友聊天一样跟 AI 互动吗？“在吗？”、“帮我写个代码好吗？”——别傻了，你的每一句客套话，都在燃烧你钱包里的 Token！管理 AI Agent，你需要的是**“老板思维”**。老板怎么当？。今天我们整理了 6 条管理 AI Agent 的极致法则，教你如何榨干 AI 的每一滴生产力，省下每一分冤枉钱。