共 4 篇文章
Agent 框架与工作流智能体上下文工程沙箱隔离Agent架构上下文管理
淘宝主播 Agent 的 Harness 工程实战
淘宝主播Agent用模型外层的Harness骨架解决高风险高并发直播中模型不可控、易漂移的问题。以执行循环/工具/上下文/状态/钩子/评估六元组加分层架构为基础，用上下文压缩与Reducer、五层纵深防御、DAG全局规划、三层记忆与信任度进化，把不确定的模型能力工程化成可用可控可演化的工业级产品，适合直播及Agent工程团队。
2026-09-0929000
AI编程Codex配置小白教程记忆系统
人人都可以搞懂并且一键配置的Codex记忆系统！（小白理解友好）
面向小白的 Codex 记忆系统配置教程，一键配置，人人都能理解和使用。
2026-09-078000
AI记忆与上下文Skill个人工作流AI记忆上下文记忆系统
一文搞懂个人AI记忆系统构建全流程
作者构建跨AI工具可复用的个人记忆系统，解决换工具就丢上下文和判断经验的问题。把记忆拆成五层（identity、principles、preferences、context、knowledge），用两级子目录、按来源与用途分类；用7字段YAML frontmatter做身份证，按目录绑定权重、等级高优先。配套两个Skill：recall按需加载记忆，curator从对话提取并经人确认后沉淀。
2026-09-097000
AI记忆与上下文Agent记忆系统因果推断长期记忆Agent记忆
Agent 缺的不是记忆，是“教训”：causal-memory 的设计与实战
滴滴技术提出 causal-memory：用「决策→结果」因果边替代事实型记忆，直指 Agent 记忆的四大结构性缺陷——上下文压缩吃掉「当初为什么」、换个会话重复踩坑、经验困在单机单进程、记忆自身劣化且无人察觉。系统包含七类边类型、类海马体引擎、Pearl 因果三层工具链、四路归账、五道 refuter 治理与矛盾主动检索；实测 trap-world 基准重复踩坑率从 67% 降到 33%，压缩 5 轮后因果信息存活 100%。
2026-10-200000