前两天，Claude 发了一篇文章叫《Building agents: When to fold subagents into your main agent loop》，意为《构建代理：何时把子代理

多插件如何复用逻辑？流程中如何挂钩子？本文讲透DeepSeek Harness两条扩展线：服务共享能力、工具只做薄壳；事件监听用 ctx.on观察、拦截、改写，文中附总结服务与工具护栏实战代码。

页面打开了，按钮点了也没报错，说明刚才那条路径走通了。至于输出对不对、换一组输入会不会出错，还得接着验。 到了维护这一步，还要知道下一次需求该改哪里，改完会影响谁。一个函数看着只管价格筛选，调用完，旁

本文使用一个具体的用户任务示例“向五位客户发送通知邮件”，解释为什么保存聊天记录还不够，再以 AgentScope 构建的 Agent 为例，展开任务状态、持久提交和故障恢复的通用设计，最后结合 Al

手机加语音配件，断开连接后谁来保住这段话？ 做随身语音产品时，一个很自然的拆法是：配件负责拾音和按钮，手机负责账户、缓存和联网，云端负责转写与总结。这样分工看起来清楚，直到用户把手机留在会议室，戴着配

写在前面 先说结论：RAG 的瓶颈从来不在向量库，而在"判断"二字。 大部分人的第一个 RAG 长这样：用户提问 → 向量检索 topK → 拼进 prompt → 大模型生成。这套流程能跑，demo

伪进展指Agent不断变换操作却持续失败，表面活跃实则无进展。因参数变化，CycleDetector难捕捉。

如果你平时使用 VS Code 开发项目，可能会遇到这样的情况：希望在编写代码时使用 GPT、Claude、DeepSeek、GLM 等不同的大模型，但又不想用 VS Code 默认提供的模型。 其实

Cosmos Curator 总览：从一条样本的组成，选对数据处理入口 假设团队收到了两批巡逻数据。第一批是普通 MP4，希望切出片段、生成描述，供人检索。第二批包含前视和侧视视频，还有同次采集的 I

接手启明英语的批改模块后，我干的第一件事是把第 2 篇那套人格提示词接进业务，然后立刻撞上了下一堵墙。 模型的回答真的变规整了：错在哪、为什么、怎么改，三段清清楚楚，老师看了都说好。但产品那边给我的需

模型部署好之后，权重占的显存基本固定。为什么并发用户一多，显存还是先告急？因为真正随用户数量线性膨胀的，是每个请求都要独占一份的 KV Cache。

上个月给「启明英语」的助教小 E 做口语陪练，上线没几天，负责运营的同事甩给我一张账单截图，问我一句话：为什么同一个学生，聊到第 12 轮，单轮花的钱是第 1 轮的八倍？ 我当时以为他看错了，结果自己

一句话介绍这个游戏：你是一部文明史的话事人。面前摆着四格电量——能源、生态、知识、协作，桌上是 35 张从一万年前递过来的抉择卡。左滑，或者右滑，每一张都在给某些格子充电、从另一些格子放电。

周六早上问 AI 今天的美股怎么样，用户时间、市场时间和数据时点可能各不相同。如何避免一个看似精确的日期，让整份回答偏离问题？

装好 WorkBuddy 的第一反应，就是赶紧丢个任务进去，看它干活利不利索。 我一开始也这样，用了小半个月，总觉得不对劲：任务跑着跑着就断了、文件不知道存哪儿了、总感觉不好用，大概率是没设置好

移动 GUI 智能体每步都让 7B 级 VLM 逐 token 生成动作，延迟和显存都被解码拖

想要 Web 界面、MCP、子 Agent 这些现成能力，可以先试 DeepSeek Harness；习惯在终端里干活，想保留一个小核心，用到什么再加什么，可以先试 Pi Agent。 它们的出发点不

一、故事的开头：本地跑通了，然后呢？ 前段时间，我做完了一个 AI 项目—— 学面通AI。前端、后端、数据库、向量库都已经在本地跑得好好的：打开 localhost，功能一切正常。但是要怎样才把这个项

长研究进行时，用户还能继续提问和调整任务吗？分享一次后台研究与前台对话并行的实践，以及真实演示中的证据边界。