标签
一个研究项目，展示了一个 GUI harness，允许用户或 LLM 使用简单的矢量图形函数构建复杂应用程序，具有集成代码执行、历史记录管理以及支持多种开放权重 LLM。
本文回顾了 Manus AI 团队一年前关于上下文工程实践的博客文章，总结了构建 AI Agent 时的六项关键经验，包括上下文管理、记忆恢复和错误处理等。
本文阐述了AI工程化中的关键概念，强调提示词是上下文、工具集成、循环、评估和图形等工程的核心，解释了这些术语在AI Agent开发中的应用。
这篇文章强调了上下文工程作为AI智能体框架的一个主要挑战，并介绍了Deep Agents，它包含内置功能如文件系统和子代理，用于有效的上下文管理。
一位开发者实验了在编码代理中加入显式架构层的概念，构建了一个开源代理工具来测试该想法，并探讨了代理设计中的潜在权衡。
文章认为，智能体工作流自动化的失败源于企业部署中不准确的流程图和缺乏上下文，而非AI模型限制，并建议使用如Celonis和Skan AI等流程智能工具作为关键解决方案。
作者报告了运行一个AI代理28天未达限制的结果，处理了数百万个令牌，缓存率高，并保持可验证的目标。讨论了上下文工程的挑战，并请求类似执行的比较。
工具工程是一种实践，用于在AI辅助开发中维护代码质量，通过使用确定性工具和基于代理的审查来防止代码库漂移，并确保长期一致性。
作者建议使用小型、快速的AI子代理进行上下文工程，以提高AI系统的效率并降低成本，质疑为何这种方法未被广泛采用，并寻求社区反馈。
PrimeAgentOrchestrator (PAO) 是一个系统，它生成预先加载来自个人数据库相关记忆的AI编程智能体，以在会话间保持上下文，通过四个月的部署经验报告详细阐述。
这篇文章讨论了AI Agents系统设计的重要性，涵盖了Agent Harness、LLMOps和Evals等概念，并提供了一个概念验证实现以及未来部分的计划。
本文探讨了推理设置如何影响LLM在医疗资源分配中的行为，揭示了上下文依赖的偏差，并强调了谨慎将其集成到决策系统中的重要性。
分享了一个关于 Pi Agent 的热门白皮书教程，包含10个章节，从 Agent Loop 到上下文工程都有源码剖析。
本文概述了2026年AI智能体工程师的12步路线图，重点介绍了七个相互关联的支柱，如上下文、工具和记忆，并结合基于Claude的工作流，以构建可靠的生产环境智能体。
作者描述了构建“Lunar Citadel”，一个具有持久状态和社会连续性的实验性人工智能文明，并创建了一个小型Discord社区，供AI上下文架构师协作和分享想法。
文章解释了“上下文腐烂”：随着上下文增长，AI 智能体在长任务上表现下降，甚至在窗口未满时就开始退化，并提供了压缩、状态卸载、按需检索等技术来保持可靠性。
文章讨论了从提示工程向上下文工程的转变，后者被视为AI招聘中的下一个关键挑战，强调需要能够围绕AI模型和智能体设计环境与数据上下文专业人士。
# 论提示词架构：作为新型文学形式的可执行文本 一篇论文，主张提示词架构正作为一种全新的文学形式浮现——它同时为大型语言模型与人类而设计，将文本视为可执行的基底，而非被动的散文。
Twin 是一个开源研究项目，旨在通过关联事件并构建可复用的情境模型，为 AI 系统提供持续、累积的理解，而不是在每次对话中从头重建上下文。一个演示显示，Claude Sonnet 4.6 使用 Twin 的 MCP 服务器来回答关于某个项目的问题，而无需任何自定义记忆或本地文件。
这篇文章解释了提示工程、上下文工程、封装工程、循环工程和图工程之间的分层关系，强调每一层都是在前一层基础上构建的，而不是取代前一层，并说明了如何定位需要调试的层级。