architecture

本文提出了智能体 AI 的分层架构分析，以 OpenClaw 和 Ollama 作为全栈原型，展示了自主能力如何从系统集成中涌现，并讨论了运行挑战和未来方向。

一位生产环境工程师描述了多智能体共享内存中的并发写入引发的竞态条件，并解释了如何通过切换到带投影的仅追加事件日志来解决该问题，同时指出了读己之写延迟方面的权衡。

一篇博客文章的公告，解释了 BarunLM（一个 35M 参数的语言模型）的设计，涵盖其架构、训练方案和数据集准备，重点介绍了相对于其他 sub-100M 模型的效率和性能提升。

谷歌和Anthropic都将检索视为由智能体调用的独立服务，摆脱了天真的单次RAG流水线。这篇文章解释了持续摄取层和结构化检索单元如何修复过时的嵌入和耦合的基础设施，据说可将语料库规模减少40倍，并将向量相关性提升2.3倍。

这篇 AWS 文章概述了多租户 SaaS 架构的五个最佳实践，重点介绍了通过 IAM 实现租户隔离、按租户成本归属，以及合规性证据，以帮助 ISV 通过企业采购审查。

Mitchell Hashimoto 讨论了 Superlogical 终端多路复用器与 tmux、zellij 等传统多路复用器在架构上的差异。

本文解释了RESTful API的真正含义，强调了HATEOAS和超媒体作为应用状态引擎的重要性，并指出大多数现代API仅达到Richardson成熟度模型的第2级。

介绍了一种面向AI代理的新研究架构，其核心是一个透明运行时，每次交互都会成为可重放的执行轨迹，具有完全可检查性，包括规划、执行、观察、验证和记忆阶段。

一份指南，推荐基础论文和 Kimi 模型报告的最佳阅读顺序，以理解 Moonshot AI 的 Kimi K3 架构，涵盖线性注意力、MoE 和残差连接。

本综述系统性地提出了大型语言模型中记忆机制的分类法，从表示、更新动态和持久性三个维度进行分类，并形式化了底层机制组件。

本文讨论了一种通过将规划阶段与执行分离来减少AI代理上下文膨胀的技术，从而提高了代理的效率和准确性。

Anthropic 分享了构建其 AI 驱动的编码助手 Claude Code 背后的工程挑战、架构决策和代理能力。

本文分析了从Pascal到Blackwell的NVIDIA GPU各代架构中的线程束发散行为，发现尽管会合机制不断演变，但线性序列化开销保持稳定。

Kimi 的 CEO 杨植麟主张避免精巧架构，优先考虑规模化，例如 Moonshot 的 MuonClip 修复方案使得在 15.5 万亿 token 上稳定训练成为可能。

本文认为，复杂的多代理AI工作流常常导致重复和错误，并主张采用更简单的架构，即单一执行者和协调者，而非许多专门代理。

本文研究了主动推理智能体中因果涌现的架构位置，发现一个慢速全局潜变量(g)是整合信息(Φr)的主要场所，并且标量Φr不应被解释为学习整合的直接度量。

讨论将智能体断路器移出提示，比较代理中间件与图内逻辑两种实现AI智能体安全机制的方法。

本文提出了一项对照研究，比较了仅注意力Transformer（简单注意力网络，SANs）与在参数、计算量和深度上匹配的标准Transformer。研究发现，当将释放的容量重新分配给注意力深度时，移除前馈层在很大程度上缩小了性能差距，剩余差距归因于参数回忆。

Sovereign OS Architecture 提出了一种用于确定性人工智能、体积共振和生物模拟的新范式。

Claire Vo 构建了一项服务，使用九个 AI 代理为 10 万用户提供服务，没有风险投资资金，展示了一种独特的独立架构。