agent相关

这篇文章是基于 Tw93的一篇长推整理写作的。作者是开源 terminal 项目 Kaku 的作者，深度使用 Claude Code 超过半年，踩了相当多的坑之后，把对Claude Code理解

最近看到一篇质量相当高的技术长文，作者 Tw93把 Agent 的底层逻辑从头梳理了一遍，从控制流、上下文工程、工具设计，一直讲到多 Agent 协作、评测和安全，干货密度很高

今天来聊一个 OpenClaw 用户几乎都会遇到的问题——token 烧得太快了。今天把这个问题说清楚，顺便给出一个社区实测有效的解法。

OpenClaw的技能商单ClawHub里躺着15000个Skills, 不用一个个看。 我整理了近期自己使用下来，最有价值的skills 分场景直接给你, 真正值得装的，可能只有不到20个。

OpenClaw 小龙虾真正出圈的原因，不是某次回答更惊艳，而是它让大家看到AI Agent已经从"单人对话窗口"升级成为"可自主完成任务的系统"。 下面我们来一起扒一扒小龙虾的内部实现

提示词越多，效果越好么？并不是, 这是一个常见的误解。 研究发现，当提示词太长导致大模型的上下文超过某个临界点后，模型准确率会断崖式下跌。 这就是今天要聊的上下文工程（Context Engineer

你有没有遇到过这种情况：问AI一个专业问题，它回答得头头是道，结果一查全是错的？ 比如你问："Python怎么处理PDF文件？"它给你列了一堆代码，跑起来全报错。这就是AI的"幻觉"问题

2025年是AI Agent智能体爆发的元年。 不管你是什么行业，Agent都是未来趋势，人人都要懂一点。不懂？没关系，今天给你唠一唠。

智能体agent要真正好用，光会"聊天"还不够，还得会"记住你"。 当前的大模型LLM是"无状态"的，每次对话都是独立的计算，记不住之前说过什么。为了解决这个问题，借鉴了人类记忆系统，agent引入了