今天这一篇，我们把视角切换到工程实现。选了四款在业界影响力最大的记忆产品：**ChatGPT Memory（Dreaming）**代表闭源端到端系统；**Mem0、Zep、LangMem** 代表开源与开放生态的三个方向——轻量记忆层、企业级图谱引擎、框架原生集成。

最近很多人在用 Claude Code 的时候，会同时遇到两个词：一个叫 `Skill`，一个叫 `MCP`。这两个东西都能增强 Claude，看起来都和“能力扩展”有关，所以很容易被混在一起。

最近很多人在用 Claude Code 的时候，会同时遇到两个词：一个叫 `Skill`，一个叫 `MCP`。这两个东西都能增强 Claude，看起来都和“能力扩展”有关，所以很容易被混在一起。

在 [1701.06538] Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer 中，作者（也包括大名鼎鼎的 Geoffrey Hinton 和 Jeff Dean）将 MoE 引入到 LSTM 模型中，并提出了稀疏 MoE（Sparse MoE）的概念。在 Sparse MoE 中可以包含

摘要：在 Agent 迈向工程化落地的进程中，单点提示词已难以承载复杂的业务流。本文将深度拆解 ReAct、Plan-and-Execute 等 5 种核心设计模式，提供一种基于业务场景的架构选型思路——以最小必要复杂度构建生产级 Agent。

我以前看 Codex，体感上很容易把它理解成一个更强的 CLI，或者一个带 GUI 的代码助手，但把这三份资料和 OpenAI 官方 App Server 文档放在一起看完后，我的判断变了：Codex 真正要做的不是某一个端，而是一套围绕 agent runtime 展开的多端系统。

大家在看 AI Agent 相关内容的时候，一定会看到过“工具调用”和Function Calling 这两个概念，但其实很多人并没有真正理解这两个概念。

AI Agent 是这两年最常被提到的 AI 词之一。做模型的人在讲，做产品的人在讲，做应用的人也在讲。但问题是：同样是“Agent”，很多人说的并不是同一件事。

有位读者私信我，说他去面阿里大模型应用架构方向的岗位，被P9问了一道题，卡住了。题目是这样的："你研究过 Claude Code 的源码，那你说下它的系统提示词是怎么写的？"他回答说就是静态内容和动态内容拼在一起，静态的放前面，动态的放后面。P9听完笑了笑，说"你说对了一部分，但实际上没这么简单，建议回去仔细看看"。

说说 ReAct 是怎么回事？就是让模型边推理边行动，交替进行。