标签
该参考实现展示了如何利用 Rust、LiteParse 和 microsandbox，在本地沙盒中安全运行 LLM Agent，从而处理和分析各类文档。该开源 CLI 工具借助 OpenAI 的 GPT 模型与原生 bash 命令，在隔离环境中执行文件检索与分析任务。
# Hermes Agent v0.13.0（"韧性版本"）发布：持久看板、目标持久化与检查点回滚 Hermes Agent v0.13.0 正式发布，代号"The Tenacity Release"（韧性版本），本次更新带来了持久化看板（Durable Kanban）、持久目标（Persistent Goals）、Checkpoints v2（含回滚功能）以及 8 项 P0 级安全修复，将自身定位为与 Claude Code、Codex 等编码智能体并肩的**运行时持久层**。此次发布恰逢 DeepSeek V4-Pro、MiMo-V2.5-Pro 等支持百万级上下文窗口的低成本模型相继推出，使长期运行的智能体软件变得更具可行性。 ## 核心新特性 ### 持久看板（Durable Kanban） 任务状态不再随会话结束而丢失。看板数据现可跨会话持久保存，智能体可在中断后无缝恢复工作流，无需从头重建任务上下文。 ### 持久目标（Persistent Goals） 智能体的长期目标现在可以跨越多个会话持续存在。这意味着用户无需在每次启动时重新向智能体说明意图，系统能够自主维护目标状态并持续推进执行。 ### Checkpoints v2（含回滚） 升级后的检查点系统引入了**回滚能力**，允许将智能体状态恢复至任意历史检查点。这对于长时间运行的任务尤为关键——一旦某个执行分支出现错误，可直接回退而无需从零重启。 ### 8 项 P0 级安全修复 本次版本针对最高优先级安全漏洞进行了全面修复，共解决 8 个 P0 级问题，进一步强化了生产环境下的部署安全性。 ## 定位：运行时持久层 Hermes Agent 将自身明确定位为**运行时持久层**，与 Claude Code、Codex 等以代码生成为核心的编码智能体形成互补，而非竞争。其核心价值在于为智能体提供可靠的状态管理与执行连续性，解决长期任务中"断点续跑"这一关键工程问题。 ## 时机：百万上下文模型降低门槛 此次发布的时机颇具战略意义。随着 DeepSeek V4-Pro 和 MiMo-V2.5-Pro 等支持百万 token 上下文窗口的模型以极低成本落地，长时间运行的智能体任务从理论走向实践的障碍正在迅速消除。上下文容量的扩展与持久化基础设施的成熟，共同构成了**长期智能体软件**规模化应用的两大前提条件，而 Hermes Agent v0.13.0 正是在这一窗口期及时补上了基础设施侧的关键拼图。
## 重建「信任链」：Kimi 供应商验证器 来源：[https://www.kimi.com/blog/kimi-vendor-verifier](https://www.kimi.com/blog/kimi-vendor-verifier) [研究](https://www.kimi.com/blog/)## 重建“信任链”：Kimi 供应商验证器[](https://github.com/MoonshotAI/Kimi-Vendor-Verifier)[](https://www.kimi.com/blog/kimi-vendor-verifier#rebuilding-the-chain-of-trust-kimi-vendor-verifier) 随着
# AI 智能体术语不过是新瓶装旧酒 如果你是一位经验丰富的软件工程师，却对 AI 智能体（AI Agent）的世界感到困惑，原因很可能不是技术太复杂——而是行话太多。 欢迎了解**"词汇税"**：这是一种因新造术语而产生的认知负担，让你误以为自己面对的是全新的概念，而实际上不过是你已经熟悉的老朋友换了身行头。 --- ## 什么是词汇税 每隔几年，技术圈都会经历一轮术语洗牌。某个领域起飞了，新词汇随之涌现，旧有的工程概念被重新包装，贴上新标签。 这并不总是有意为之的炒作。有时候，新词汇确实能承载细微的差别，或者为特定社区提供更精准的表达。但很多时候，它制造的困惑远比带来的清晰要多。 词汇税的本质就是：**你为了弄懂这些词在说什么，而不得不付出额外的认知成本**。 AI 智能体领域目前正在大量征收这笔税。 --- ## 逐一拆解那些花哨术语 ### "Orchestrator"（编排器） 这个词让人联想到某种神秘的 AI 大脑，在幕后统筹全局。 实际上？它就是一个**控制流管理器**。它决定先调用哪个函数，根据结果走哪条分支，什么时候结束循环。你在写业务逻辑的第一天就做过这件事。 换个说法：`main()` 函数加上一些条件判断。 --- ### "Harness"（执行框架） AI 圈子喜欢说某个模型被"装进了一个 harness"。 这翻译过来就是：**一个包装类或运行时环境**，负责管理模型调用的生命周期——处理输入输出、捕获错误、维护状态。 换个说法：适配器模式（Adapter Pattern）加上一个 try/catch 块。 --- ### "Memory Layer"（记忆层） 这个词听起来像是给 AI 装上了某种类人的记忆系统。 实际上它就是**存储和检索机制**。短期记忆是会话上下文（session context），长期记忆是数据库查询，语义记忆是向量搜索。 换个说法：缓存 + 数据库 + 搜索索引。 --- ### "Tool Use"（工具调用） 模型"学会了使用工具"，这句话读起来颇具魔幻色彩。 脱下这层外衣，它就是：**函数调用**。模型输出一个结构化的请求，系统解析它，执行对应的函数，把结果返回给模型。 换个说法：API 调用的调度与执行。 --- ### "Agentic Loop"（智能体循环） 这个术语让整个架构听起来像是某种自主意识的涌现。 它的本质是：**一个 while 循环**，每次迭代都会：获取当前状态 → 决定下一步行动 → 执行行动 → 更新状态 → 判断是否结束。 换个说法：事件循环（Event Loop），或者任何一个游戏引擎里的主循环。 --- ### "Grounding"（落地/锚定） "模型需要被 grounded"——这句话在 AI 文章里频繁出现。 它的意思是：**把模型的输出与可验证的外部数据绑定**，防止它胡说八道（即"幻觉"）。RAG（检索增强生成）是最常见的实现方式。 换个说法：数据验证 + 外部数据源注入。 --- ### "Reflection"（反思） 听起来像是 AI 在进行哲学沉思。 实际操作是：**让模型评估自己的上一个输出**，判断是否满足要求，如果不满足则重新生成。这是一个带有评判步骤的迭代优化循环。 换个说法：带校验逻辑的重试机制（retry with validation）。 --- ### "Chain"（链） LangChain 里的"链"，以及各种"prompt chain"。 这就是**函数组合（function composition）**，或者说是管道（pipeline）。输出 A 作为输入传给 B，B 的输出传给 C。 换个说法：Unix 管道。`cat file | grep keyword | sort | uniq` --- ## 那么，是不是什么都没变？ 当然不是。有几件事确实是新的，或者至少是在规模和能力上发生了质变： 1. **不确定性变成了一等公民**：传统函数给定相同输入，输出是确定的。LLM 不是。这要求你在架构层面认真对待概率性行为，而不只是在边界情况里处理它。 2. **自然语言成为了接口**：当接口是自然语言时，你没办法写一个传统意义上完整的类型规范。这对系统边界的设计提出了新要求。 3. **上下文窗口是有限资源**：你需要像管理内存一样精心管理上下文，这是一种在普通 Web 开发里不太常见的约束。 4. **涌现行为（Emergent Behavior）确实存在**：模型组合起来之后，有时会产生你没有显式编程的行为。这既是能力，也是风险。 --- ## 如何用已有知识来理解 AI 智能体 这里有一个简单的映射框架，供有经验的工程师参考： | AI 智能体术语 | 等价的工程概念 | |---|---| | Orchestrator | 控制流 / 状态机 | | Memory Layer | 缓存 + 数据库 | | Tool | 可调用函数 / API | | Agentic Loop | 事件循环 / 主循环 | | RAG | 查询 + 上下文注入 | | Reflection | 带校验的重试 | | Chain / Pipeline | 函数组合 / Unix 管道 | | Prompt Template | 带参数的字符串模板 | | Agent | 带状态的服务 + 决策逻辑 | --- ## 写在最后 词汇税不是阴谋，但它有真实的代价。它让有经验的工程师低估自己已有的能力，让新人觉得这个领域比实际上更难进入。 下次当你遇到一个陌生的 AI 术语，不妨先问自己：**"如果我是五年前，没有这个词，我会怎么描述这件事？"** 大多数时候，你会发现你早就认识它了。 AI 智能体领域确实有令人兴奋的新东西。但其中最难的部分，往往不是理解那些新概念——而是先剥掉裹在旧概念外面的那层新皮。