LLM 记忆管理三剑客：截断、总结、检索，彻底搞懂 Agent 的 Memory 系统 一、为什么需要 Memory？ 1.1 大模型是无状态的 1.2 Agent 的完整公式 1.3 Memory

近日，在白鲸出海主办的全球 AI 出海大会上，卓普云科技解决方案架构师丁可受邀发表主题演讲《AI Agent 落地的 5 层技术栈：Serverless vs Dedicated，全球部署的两种姿势怎

调研 2025-2026 年 Agent 专用浏览器生态：Chrome DevTools MCP 与 Playwright MCP 的定位差异、DOM 与视觉两条技术路线、Kitesurf 与 Lig

Harness 不是一个新技术发明。它更像是 Agent 工程里那部分一直存在、但过去没有被完整命名的“软件工程现实”。

自己做了个 AI 记账 App「妙蛙记账」。支持自然语言记账和查询。Web 和 Android 都能用。

参考了 Pi Agent 的源码。按照其分层思路和一些实现方案，笔者自行实现了一个 MVP 版本的 Agent

阿里通义千问新一代旗舰模型 Qwen3.8-2.4T-A95B 现已上线 DigitalOcean Inference Engine（推理引擎），并可通过 DigitalOcean 无服务器推理（Se

大家好，我是农村程序员，独立开发者，行业观察员，前端之虎陈随易。 关注公众号：陈随易，获取最新观察、思考和文章推送。

一次任务怎样变成长期记忆？本章沿 Phase 1 与 Phase 2 的调用链，说明 Codex 如何提取候选经验、记录处理状态，再完成全局合并、去重与持久化。

两种路径：为什么"直接写代码"会失败 在深入方法论之前，先看一个对比。 新手路径（会导致屎山） 这个路径的问题不出在 AI，出在人没有给 AI 任何结构。AI 每次都只能看到当前的报错和当前的代码，它

对于正在把大模型接入应用的团队来说，模型能力固然重要，但 API 调用成本仍是团队最关心的一项。尤其是 AI 编程、客服机器人、内容生成、代码辅助和 AI Agent 这类高频场景，单次请求便宜几厘钱

Workflow 还是 Agent？一文搞懂 AI 工程的两大核心范式，以及它们的未来 前置知识 了解 LangChain 基础（Chain、PromptTemplate） 了解 Agent / Re

注释应该用来解释「为什么」，而不是弥补代码本身的晦涩。当你想用注释解释一段代码在做什么时，真正该做的往往是重写它，让代码自解释。

从零手写 AI Agent：LLM + Tool + LangChain，打造能干活的大模型 前言 ChatGPT 很强大，但当你让它"帮我创建一个 React + Vite 的 TodoList 项

手写 mini-cursor 完整版：从 Promise 子进程到 ReAct 循环，30 轮迭代完成 TodoList 全流程 前言 如果你还在纠结"AI 编程 Agent 到底是怎么工作的"，展开

Anthropic 的 Claude Opus 5——最新旗舰级模型，现已通过 DigitalOcean 无服务器推理服务（Serverless Inference） 正式上线。Opus 5 专为高要

截图识别不是 AI 操控电脑的最优解—macOS Accessibility API 提供结构化 UI 树，结合 AppleScript 和本地视觉兜底，构建可靠的四层 Computer Use 架构

ReAct 框架深度解析：让 AI 真正"自己干活"的思考-行动-观察循环 前言 当你让 ChatGPT "帮我写一封邮件"，它写完，任务就结束了。这是问答机器——输入一次，输出一次，没有后续。 但当

也许成长从来不是“我想好了再出发”，而是“我出发了才想明白”。而 2025，就是我在被浪推着往前走的一年。