记忆

本文介绍了AI代理（AI Agent）的核心概念、工作原理及其四大组成部分：决策、工具、记忆和编排。文章详细阐述了Go语言在构建生产级AI代理系统方面的优势，包括其并发性、类型安全和部署简便性。此外，还探讨了从原型到生产的实践考量，如持久化记忆、受控工作流、系统扩展和多项安全考量。

本文强调在构建AI代理循环（loop）时，底层的运行环境（harness）更为关键。作者提出14步路线图，从基础的单代理配置到自改进系统，详细介绍了CLAUDE.md、settings.json、子代理、技能、Hook、记忆等组件的设计与优化，指出一个糟糕的harness上运行再好的循环也会产生垃圾。

本文深入探讨了AI编程从提示工程到循环设计的转变，指出真正的杠杆在于构建能让AI自主工作直至目标达成的循环。文章详细分解了循环的五个核心组件：发现工作、规划、行动、验证和记忆，强调验证是循环的灵魂，必须依赖外部硬性检查（如测试通过/失败）而非模型自我评价。给出了一个20行bash的极简循环示例，并重点介绍了制动机制（步数上限、预算上限、爆破半径、断路器、活跃度检测）以防止失控。最后强调工程师应保持对代码的理解，从小范围、有边界的循环开始，逐步建立信任。

本文介绍如何让AI循环代理（looping agents）具备记忆能力，避免重复犯错。

Anthropic推出Claude Tag，被Karpathy称为LLM UI/UX第三次重大革新，核心在于AI从单用户工具转变为团队协作的参与者。每个频道共享一个Claude，团队成员可共同与之交互，实现上下文延续。文章进而探讨构建真正自主代理所需的四个特性：身份、记忆、主动性、问责制，并以Glean的OnCall Assistant为例，展示代理如何通过组织级上下文加速事件响应。

文章详细介绍了如何构建一个编码Agent的 harness（即围绕模型的代码层），以 Claude Code 为例，使用 CrewAI 框架逐步实现核心循环、规划、子代理、沙箱、内存和检查点等功能。作者指出，代理的能力主要在于 harness 而非模型本身，并展示了如何通过 CrewAI 的配置实现这些功能。文章还讨论了 prompt、执行环境和工具选择等仍需开发者自行处理的部分，并指出了 harness 的成本和随着模型改进可能不再必要的一些限制。