如果智能体运行时从不告诉模型下一步该做什么，会怎样？
摘要
作者介绍了一种名为 LCRK（LIA 认知运行时内核）的被动式智能体运行时架构：基础设施只检测事件、维护持久内部状态并提供工具访问，不负责编排下一步动作，由模型自主决定是否行动、做什么或保持静默。该系统不依赖 LangChain、CrewAI 或 AutoGen，源码暂未公开。
相似文章
@Huahuazo: 想搞明白Agent到底怎么从零搭起来，不是光会调API那种——我翻过不少资料，要么讲得太抽象，要么直接甩给你一个成品让你改改参数就完事，中间“为什么这样设计”的部分基本是空白。 LangChain官方的这个Agents From Scra…
LangChain官方发布的Agents From Scratch教程详细介绍了如何从零构建一个具有人机协作和记忆功能的AI代理，涵盖基础搭建、评估体系、人机协作和长期记忆四个部分。
@realfxw: 做 Agent 工作流或自主智能体循环时，一个极度影响体验的瓶颈在于：每一个细小的分支判断、工具路由、任务完成度检查或安全拦截，如果全部塞给昂贵的推理大模型（Reasoning LLM），不仅每次调用带来数秒的延迟，Token 成本也会呈…
这篇文章介绍了开源清单awesome-jev-projects，它通过解耦System 1快速决策模型和System 2推理大模型来优化AI代理工作流，降低延迟和成本，并提供代码级参考。
构建了一个 Python 智能体框架，由决策模型而非大语言模型来选择行动——希望获得反馈
作者介绍了 DecisionLoop，一个用小型决策模型替代 LLM 处理意图识别、工具选择与控制流的 Python 智能体框架，初步测试在工具调用准确率、成本和延迟上优于基于 LangChain 的 LLM 智能体，并寻求架构反馈与基准测试建议。
@cellinlab: https://x.com/cellinlab/status/2064144608242679822
这篇文章介绍了 Loop Engineering 的概念——不再直接给 AI agent 写 prompt，而是设计一个系统（loop）来递归地让 agent 迭代工作，直到任务完成。文章详细对比了 Claude Code 和 Codex 在 automations、worktrees、skills、sub-agents 等五个构建块上的实现，认为这可能是未来与 coding agent 协作的趋势，但仍需警惕 token 成本和 AI slop 问题。
@realfxw: 在分布式架构里跑多智能体（Multi-Agent），最怕的其实不是模型推理慢，而是“状态丢失”和“协同死锁”。 最近很多做 Agent 的团队都在讨论把编排逻辑迁移到边缘。Pi 配合 Cloudflare Durable Objects（…
文章介绍 Pi Durable 配合 Cloudflare Durable Objects 的边缘多智能体编排思路：每个会话映射为一个有状态 Durable Object，实现状态持久化、休眠唤醒与子代理并行调度，摆脱传统 Redis/消息队列的重后台架构。