风雨中的小七

本文不输出权威指南，只是一位一线算法工程师和AI不算peace的合作场景还原。系列第一篇，我们将从最基础的“磨合期”开始聊起。技术标签：#opencode，#browser-use，#单智能体

在 LLM 发展的上半场，我们执着于不断拉长 Context Window，从 8K 到 128K 甚至百万级别。但在下半场我们围绕Coding这个核心视角来寻找一些新的上下文管理的思路

慢思考的本质依然是通过生成更多的显性 Token 来换取计算时间。为了想得深，必须说得多。这一章的四篇论文都在尝试：能否在不输出废话的情况下，让模型在内部“空转”思考？ 甚至打破自回归全局规划？

随着模型能力的提升，工业界开始反思：盲目增加智能体、盲目增加工具调用次数真的能“大力出奇迹”吗？本文串联两篇Google论文，从宏观的架构选择到微观工具预算感知，探讨如何科学构建Agent系统。

很多人认为图像Token的信息密度和效率远不如文本。但 DeepSeek-OCR通过一套巧妙的*串行视觉压缩架构*，实现1个视觉Token近乎无损地承载10个文本Token的惊人效率

这一章我们通过Google、OpenAI、Anthropic 三篇充满脑洞的论文，深入探讨模型内部状态的可访问性与可操控性。我们将从三个维度展开： 模型是否有自我认知？如何引导这种认知？如何解释？

本文将深入解构 SKILLS 的三层分层加载架构，探讨它如何解决传统 Agent 上下文膨胀、领域任务成功率低的核心痛点。我们将通过一个完整流程展示 SKILLS 如何工作，并延伸思考它对现有 MCP

我们将看到一条演进路线：从优化单一动作（ReTool），到学习长程规划（RAGEN），再到提升思考质量本身（RStar2），最后到不依赖外部奖励更底层的经验内化方式（Early Experience）

我们看三篇Agent Memory论文 * CFGM：离线轨迹经验提取 * ReasoningBank：轨迹经验提取和test-time * MIRIX：提供完整记忆工程方案和全面记忆分类