标签
一篇讨论帖，重点探讨 AI 智能体的“机构记忆问题”——习得的经验与诀窍分散在供应商控制的记忆功能、聊天记录和追踪数据中——引用了 NeuralTrust 于 10 月 27 日发表的文章，以及 InfoQ 对上下文、记忆和知识的区分，并询问从业者如何存储持久、可迁移的智能体知识。
对 500 多场 AI 构建者社区讨论的分析发现，上下文漂移和与提示词较劲，而非幻觉，才是 2026 年最令人困扰的问题。这推动了 Skillware 的推出：一个具备确定性执行和技能即时披露机制的模块化智能体框架。
文章讨论 DeepSeek 最新开源的 dsh-superagent 架构设计，指出其"much value and little human attention"目标与 loopx 项目一致，并对比了两者在状态/session 分离、上下文优化及 router 委派机制上的异同，同时推广 loopx 的相关 RFC。
一位开发者分享了“beads”这一原生面向智能体的工单系统如何通过提供一个共享、持久化的工单数据库，让网络中的所有智能体都能同时访问，从而解决多智能体工作流中常见的上下文保留、智能体任务委派和并行协调等问题。
GBrain Cloud 推出 `gbrainio` 命令行工具，可让 Claude Code、Codex 等任意编码代理一键在云端启动持久化记忆，跨多种 AI harness 共享上下文，并支持定时任务。
作者们衡量了项目规则被编码智能体获取的程度，发现 Claude Code 在没有文档的情况下仅能获取所需规则的 32%（有文档时为 54%，使用他们的 Segmently Modules 配置时为 70%），而 Serena、Trail 和 Graphify 等代码索引工具带来的提升甚微。他们发布了“the stand”，这是一套采用 MIT 许可证的开源上下文召回基准测试工具包，以 Claude Code 插件的形式运行，使用真实的历史任务进行测试。
一位创始人回顾了十周内各大科技公司密集发布 AI Agent 的浪潮（xAI Grok Bot、Meta Muse、OpenAI Dots、Google Gemini Agent、Anthropic Claude Duet），肯定了各家的独特优势，同时指出反复重复配置和上下文碎片化才是真正的问题，并提出 Vestra 作为共享上下文层，让各 Agent 接入其中。
TrawMem 将 LLM 智能体记忆系统重新定义为面向任务、角色自适应的工作空间，将交互历史组织为线程，并根据记忆在任务中的角色选择互补记忆，在 LoCoMo 和 MemGallery 基准测试中，相较于具有代表性的记忆系统，宏平均 F1 得分稳定提升了 2.23–3.14 个点。
FlexA-Mem 提出一种预算自适应的智能体记忆机制，将历史一次性写入不可变存储，并为每次调用动态渲染紧凑的时间线记忆加相关细节，在 AppWorld、LongMemEval 和 LoCoMo 上显著优于 A-Mem 等现有方法。
开发者提出在项目增长过程中如何设计 monorepo 结构与开发工作流，以让 Claude Code 持续遵守架构规则并减少上下文消耗，涵盖指令管理、上下文优化与验证方法等系统性问题。
作者导出10小时Grok Bot使用数据发现89%消耗来自后台子任务、96%输入token用于重读旧上下文，并总结出5条规则，预计可节省25-30%的用量。
Ogcode 的团队分享了其用户数据洞察：开发者安装大量技能和 MCP 工具，导致智能体选错工具并浪费高达 77% 的词元。他们正在研发能按需动态选择工具的解决方案，并向社区征集思路。
Falconer 正式发布，为生产环境中的 AI 智能体提供统一且自动更新的知识库，将内部文档与公开文档相结合，投资方包括 GP、BoxGroup、SV Angel，以及来自 Anthropic、Stripe 和 Cursor 的天使投资人。
MIT 公开课 6.S950 Agency with AI 第 5 讲讲义更新，用一个约 300 行的教学 Agent 讲解 Harness 的可观测性、可控性原则以及需要多少 Harness 的问题。
dsh-context 是一款 DeepSeek Harness 插件，为 Agent 提供完整的上下文生命周期管理，包括上下文洞察页面、Context/Fleet 仪表盘和 /context 命令，助力跨会话的用量、成本与上下文构成可视化。
《Harness Engineering 101》是一本免费在线书籍及 GitHub 仓库，从第一性原理出发讲解如何构建 AI 智能体——将 LLM 视为大脑，将周围的 harness 程序视为身体。全书共 16 章，并附有一个不断完善的约 300 行 Python 迷你智能体示例。
该论文提出 RECAP 框架，通过匹配上下文干预、执行关系预测与独立策略认证，研究长程智能体何时应保留、压缩或删除历史失败记录，在 Hunyuan-A13B 上以匹配的续跑成功率将平均提示成本降低 2.13%。
作者认为，智能体记忆检查点中存储的“已完成”声明并不能证明任务真正完成，并提出疑问：在上下文重置之后，长期运行的智能体要保持任务标记为完成之前，需要哪些证据——目标系统的读取结果、执行回执，还是针对任务的特定检查？
Otaku 是一个面向创意写作与角色扮演的开源 LLM 前端工具，提供网页与终端双界面，支持本地引擎（llama.cpp、KoboldCpp、LM Studio 等）及云端提供商，并新增角色库、故事模式、图片上下文、网络搜索与上下文摘要压缩等功能。
作者分享让 AI 代理长时间运行而不丢失状态的做法：在上下文窗口写满前将工作状态保存到检查点文件，新会话读回检查点继续工作，并通过带验证的完成项来解决伪造完成的问题。