标签
一篇观点文章，认为随着AI代理接管运营工作，公司将从管理人转向管理上下文——即构成公司真正竞争优势的共享数据、标准操作流程和决策逻辑。
Gergely Orosz 指出，越来越多的应用和公司将自己定位为将工作上下文集中到一个空间中，以解决工具和文档分散的问题。
一条推特帖子认为，强大AI代理的关键不在于更好的提示词，而在于积累的个人上下文和记忆系统，并强调Obsidian是知识复利的工具。作者预测，单独使用AI的人与结合个人上下文使用AI的人之间的差距将日益扩大。
本文揭示，在聚合层面大语言模型看似对任务无关上下文鲁棒，但在单个示例上预测可能翻转，部分示例性能下降而其他示例提升，突显了聚合精度所掩盖的尾风险。
讨论AI代理如何在三个层面（模型、框架、上下文）学习，以及为什么将用户修正作为标记示例捕获是构建随时间改进的自学习代理的关键。
一位开发者描述了构建一个多智能体语音社交推理游戏的过程，通过一个中央指挥解决了轮流发言问题，但在共享记忆以及在将对话历史压缩为结构化状态时保留社交潜台词方面遇到了困难。
探讨分析代理是否应整合来自 Linear、Sentry 和 Notion 等工具的上下文数据，还是保持纯指标驱动。
一篇观点文章，认为企业中的AI代理需要一个结构化的“公司大脑”记忆层，以可靠地访问上下文、政策和权限，而不是仅仅依赖RAG和工具访问。
本文是系列文章第六篇，详细解释了subagent的概念、工作原理及其在coding agent中的作用，包括tool call和runtime机制，以及不同subagent类型（fresh child、forked child、partial fork）的适用场景。
文章认为，编程代理需要连续性——即在仓库中保存执行历史和项目状态——而不是简单地拥有更大的记忆或上下文窗口，以避免在会话之间丢失操作线程。
Google宣布了Open Knowledge Format，这是一个基于Karpathy的LLM wiki概念的开放标准，旨在通过简单的Markdown文件为AI代理提供上下文。
Google 的开放知识格式（OKF）提出了一种可移植的组织知识标准，帮助 AI 代理检索正确的上下文，解决了数据目录、维基和代码之间的碎片化问题。
作者认为人工智能不会取代工程师，因为经验丰富的工程师掌握着来自真实生产故障和边界情况的关键背景，而知道要构建什么仍然是一项人类技能。Factory AI 正在构建工具来增强工程师。
Google分享了一个免费且全面的示例，展示了一个长期运行的AI代理，它可以暂停、恢复且永不丢失上下文，模拟新员工入职流程，并教授三种架构模式。
构建多智能体系统表明，管理共享记忆和上下文一致性比编排更具挑战性。作者使用 Statewave 进行的实验将记忆视为一个不断演化的生命周期，而非单纯的检索问题。