一个人养得起多大的 Agent 舰队：2026 年低价 API 与开放权重模型的成本账
一个人究竟养得起多大的 Agent 舰队？ 这个问题听起来像是在数进程，其实是在找一个错误的单位。一个 Agent 可能只抽取一段文字，也可能搜索二十分钟，或者经过八十次工具调用才完成一次仓库重构。真正有意义的单位不是“Agent 个数”，而是一个被验收的任务，以及它背后的输入、输出、工具、重试和人工善后。 ...
Agent
围绕 AI Agent 的架构、工作流、记忆、工具调用、评测与生产实践，讨论如何让智能体可靠地完成真实任务。
当 AI Agent 开始反过来提示你，真正改变了什么
一个反直觉的信号：它开始反过来提示你 假设有一天，你打开工作台，Agent 没有等你输入下一条命令，而是先说： 我注意到昨天那份方案的第三节还没有收尾。我按你上周的口径起了一个草稿，现在要看吗？ ...
让 AI 自动帮你追全网资讯，最后会卡在哪里
如果你搭一个 AI，让它追某个领域的论文、发布、benchmark、观点和 changelog，它到底能替你走到哪一步？从 2026 年 1 月到 6 月，我持续试用了自己能接触到的一批资讯聚合、页面监控和自动简报工具。这个样本不覆盖市场上的全部产品，也不是严格的横向测评；它只是我在同一套技术资讯任务上的长期观察。结论是：AI 很擅长搬运和整理；但缺少用户目标、工作上下文与结果反馈时，它不能可靠替代最终判断。 ...
从 Chatbot 到 Agent 到 Skill：AI 落地传统行业的真正分水岭
一年过去了，为什么大多数人的 AI 还停在原地 过去一年，写文案、翻译、总结和分析都用上了 AI。但诚实地问一句：它真的接管了业务环节，还是每次仍由你重新交代背景、判断输出、决定下一步？ 模型变聪明了，反复切换上下文和担责任的人往往没变。 ...
给 AI 任务，不只给方向：用完成态把协作落到结果
聊了很久，手里留下了什么 我也有过这样的晚上：本来只想把一个选题想清楚，结果和 AI 从标题聊到商业模式，又从商业模式聊到人生。对话很顺，窗口关掉之后，文章仍是一片空白。 这不说明对话无用。它只提醒我：探索和执行是两种不同的工作。 ...
AI 工作流质量门禁：把软件工程的纪律搬进个人系统
「能跑」不等于「可靠」 大多数人搭个人 AI 系统时，第一条验收标准是：能不能跑？ 能写出一篇文章，能改完一段代码，能把十页资料压成一页，看起来就算完成了。但用久以后，真正折磨人的是无声的错误：结构工整，语气笃定，结论却悄悄偏离了事实。 ...
AI 第二大脑实操：Obsidian、Agent 与微信入口
先别造宫殿，先跑通一条路 很多笔记系统的问题，不是功能太少，而是入口、目录、插件和自动化同时开工。最后系统很漂亮，自己却不敢改；AI 一旦批量重命名，更不知道哪里出了错。 ...
AI 知识库工作流：把记录变成可验证、可复用的能力
越堆越大，越来越没用 到第三层了。信息被采集降噪，记录被写下、精修成半成品——现在要回答的是：怎么把这些半成品，变成真正的知识？ 先说知识的定义。知识是和你相关的、结构化的、能反复调用的东西：某种思维模型、某几项技能、某套方法论，还有你的判断、定位、价值观。它的关键词是可复用，它解决的是你自己的问题。 ...
open-lovable 源码拆解：Agentic Search、文本协议与双沙箱
open-lovable 看起来像一句很短的产品承诺：给它一个网址，得到一个可继续修改的 React 应用。真正值得读的却不是生成结果，而是它怎样把抓取、模型输出和不可信代码执行接成一条可控链路。 ...
超级个体的栈：2026 年 AI 原生 Solo Builder 的产品方向与运营全图
「Software is eating the world.」 —— Marc Andreessen, 2011 「Now, AI is eating software, and the question for the rest of us is: what’s left for one human, alone, in front of a screen?」 —— 我于 2026 年的某个凌晨，在台灯下问自己。 ...
Relay Agent 架构审计：从设计承诺到本地实现
架构图是一张承诺清单；源码审计要问的是，其中哪些箭头已经有了重量。 这篇文章的旧版把 Relay 写成一个公开的开源方案，还说它的 Agent 层尚未开工。到 2026 年 7 月 31 日，这两个判断都不再成立：旧文引用的公开 GitHub 地址返回 404，而我能够核对的是一份私有本地检出。 ...
Context 不是 Prompt：上下文工程如何成为 AI Agent 的新地基
上下文工程（Context Engineering）是在 LLM 每一次推理时，对进入上下文窗口的最优 token 集合——系统提示、检索文档、对话历史、工具定义与记忆——进行筛选、排序与淘汰的一整套工程策略。 它与提示词工程的区别一句话讲清：提示词工程优化「一句话的措辞」，上下文工程优化「整扇窗口的布线」。这个定义来自 Anthropic 的工程文章，Karpathy 也公开背书了这次改名。下文把这门正在成形的学科完整拆开。 ...
Agent Engineering 全景地图：98.4% 只是 Harness 的叙事锚点
「Agent loop 是 10 行代码，Agent engineering 是 10 万行代码。」 这句话不是代码审计结论，更像一把拆系统的刀。它戳破了一个常见错觉：把 prompt 写好、把 LLM API 调通，只能证明 loop 能转；要让系统在无人值守时仍可恢复、可追踪、可约束，主要工作在 loop 外。 ...
Agent 的自我：从洛克到 OpenClaw
关于 AI 智能体身份连续性的哲学边界与工程实践 引言：先把“身份”降到工程可讨论的尺度 Agent 失忆，最先伤害的不是拟人感，而是合作成本。 一次会话里表现出色，并不等于下次还能沿用同一套判断。用户要重新说明偏好，团队要重新交代约束，系统也很难解释某个决定从哪里来。长期合作所依赖的信任，恰好建立在这些看似琐碎的连续性上：它记得什么，忘掉什么，为什么改变，以及谁批准了改变。 ...
Mem0 OSS v3 实践：记忆架构、混合检索与生产取舍
这篇笔记来自我对开源 AI 系统的长期拆解：先跑起来，再读迁移文档，最后记录抽象在哪些地方成立，又在哪些地方开始漏水。 问题从来不是“记得越多越好” 只要对话还装得进上下文窗口，LLM 就能维持短暂的连续感。但这不是长期记忆，更不是可靠的应用状态。会话结束之后，模型不会自然记住用户偏好简短回答、上个月换了工作，或者已经放弃某个计划。 ...
UFO² 桌面 AgentOS：从 Windows 自动化到 UFO³ Galaxy
桌面智能体最容易给人留下印象的，是“它真的点了那个按钮”。但按钮被点中，只是演示成立；任务能否稳定结束，才是系统成立。 微软 UFO 项目几年的演进，恰好沿着这条分界线展开：2024 年的 UFO v1 证明视觉语言模型可以操作 Windows；2025 年的 UFO² 把操作提升为一个有状态、有工具、有应用边界的桌面运行时；同年末发布的 UFO³ Galaxy，则把单机能力接入跨设备编排。 ...
LangChain 1.x 生产实践：模型、Agent 与 LangGraph 如何选
过去介绍 LangChain，常会列出 Chain、Memory、Prompt、Loader 和各种集成。那段历史没有错，却已经不适合指导今天的项目。 ...
LangChain 1.x 实战指南：从模型调用到可观测 Agent
一个框架最危险的时刻，不是它没有能力，而是旧教程仍然看起来能够运行。代码一旦跨过版本边界，熟悉感往往比报错更会误导人。 这篇文章只讨论 LangChain Python 1.x 的当前主线：模型、Agent、工具、结构化输出、中间件、记忆、RAG、SQL、Ollama 与 LangSmith。它不再复述 LangChain 的项目历史，也不把几十种组件罗列成字典；目标是让你拿到一条短而完整的工程路径。 ...
2024 AI 现场笔记：从大模型涌现到生产级 RAG，2026 再校准
这篇文章最初写于 2024 年 1 月的一场大语言模型分享会。那时，行业的问题还是“模型能做什么”；两年后，更重要的问题变成了“系统凭什么值得相信”。 我没有把旧笔记涂成一篇仿佛从未犯错的新文章。时间留下的误判也有价值：它提醒我们，技术判断不是预言，而是带着证据期限的下注。以下每节都保留 2024 年的观察，并用 仍成立 / 已变化 / 当时误判 做 2026 年校准。 ...
AutoGPT 2026：从 Classic 实验到 Platform 的迁移指南
状态说明（核验于 2026 年 7 月 31 日）： 本文最初是一篇 2023 年的 Auto-GPT 本地安装教程。那些命令已经过时。官方现在明确说明：AutoGPT Classic 已停止支持，依赖不会再更新，并且存在已知安全问题。它适合研究历史，不适合生产使用。新项目应从仍在维护的 AutoGPT Platform，或其他活跃的工作流系统开始。 ...