@vintcessun: 最近不少人在折腾agentic workflow，prompt调了半天还是容易跑偏。其实问题常在runtime层：循环没预算、工具权限太宽、压缩丢了状态。DenisSergeevitch这个agents-best-practices sk…
摘要
讨论agentic workflow中常见的runtime问题（循环预算、工具权限、压缩状态丢失），推荐DenisSergeevitch的agents-best-practices资源，提供provider-neutral的参考，强调将权限、预算、观测作为显式机制。
最近不少人在折腾agentic workflow，prompt调了半天还是容易跑偏。其实问题常在runtime层：循环没预算、工具权限太宽、压缩丢了状态。DenisSergeevitch这个agents-best-practices skill提供了一个provider-neutral的参考，核心思路是让harness负责执行而非模型，把权限、预算、观测做成显式机制。一早翻到，值得细看。
相似文章
@yanhua1010: 目前看到关于 “Agentic Engineering Workflow”的最完整的介绍 花了一个小时完整看完了，完全可以做成一个付费教程。 内容涵盖了tmux，agent记忆，skills，语音输入，长任务执行，并行worktree管理…
推荐了一份关于“Agentic Engineering Workflow”的完整介绍，涵盖了tmux、agent记忆、技能、语音输入、长任务执行、并行worktree管理、多agent调度以及可视化HTML编辑器Lavish和代码变更校验流水线no-mistakes。
@knoYee_: https://x.com/knoYee_/status/2062780637677752366
作者复盘了使用多Agent协作三个月的经验，总结出五个主要痛点（如Agent间矛盾、忽略边界条件、自我审查失效、合并决策困难、压缩执行后暴露更难问题）和两个心得（只读审查Agent价值高、Agent矛盾暴露需求模糊），强调了人类在AI协作中的核心决策作用。
@chasen_liao: https://x.com/chasen_liao/status/2077219202608545835
本文探讨了提示词工程升级为Agent工程的趋势，强调通过AGENTS.md等结构化上下文管理AI代理，并分享了一套最小闭环的工作流方法论。
@wsl8297: 用 AI Agent 跑复杂任务，最难受的往往不是模型不够强，而是对话一变长，上下文就开始爆仓。 你还得一遍遍补背景、重讲流程，再加上工具调用吐出来的冗余日志，Token 像开了口子一样往外流。 最近看到腾讯开源的 TencentDB A…
腾讯开源了 TencentDB Agent Memory，通过分层记忆管理（符号化短期记忆+分层长期记忆）解决AI Agent长对话上下文爆仓问题，实测Token消耗最高降低61%，任务通过率提升超50%。
@freeman1266: https://x.com/freeman1266/status/2055293363893768463
这篇文章总结了将AI Agent从Demo部署到生产环境过程中遇到的四个常见陷阱：function calling不可靠、多步任务失败率累积、记忆管理不当、以及安全权限问题，并给出了相应的解决方案。