架构和远方.

最近在做 Agent 相关的工作，研究了 Claude Code 的系统提示词。分享一下看到的东西。 Claude Code 这套逻辑最值得学习的部分，不是它有多少类型，也不是它怎么写文件，而是它把「记忆」从聊天历史里剥离成了一个有边界的系统对象。 其提示词给出了四段闭环： 类型化存储 索引化管理 触发式召回 使用前校验 这套闭环的根本目的只有一个： 极度压…

OpenClaw 的 Skills，本质上不是一个「可调用工具」，它更像一套经过约束的运行手册：启动时把技能目录扫描出来，压成一份 <available_skills> 清单塞进 system prompt，模型自己判断要不要选一个 skill，然后再通过 Read 工具去读这个 skill 的 SKILL.md 。读完以后，没有任何独立执行器接管，还是在当…

OpenClaw 是最近 AI 圈最火的一个开源项目，没有之一。 从去年的 Agent 年，到今年的 AI 个人助理，OpenClaw 和去年 Manus 一样的，爆到不行，而且还是开源的版本。 由于最近自己也在做 Agent，于是也看了 OpenClaw 的代码来了解其记忆系统的实现。有一些觉得可以借鉴学习的地方。 OpenClaw 的记忆系统其实比较简单…

在多 Agent 系统里，上下文怎么传，决定了系统的稳定性上限、成本下限、以及排障时的血压。 最开始，很多团队把它当成「把聊天记录拼一拼」的问题。上线后就会这样的问题： 同样的输入，输出飘得离谱。这里的问题是上下文污染和信息密度不稳定。 Token 成本控不住。明明一个任务只需要 10 句关键信息，每次都喂 200 句。 自动化评测很难做。回归集跑出来波动大…

在 AI 编程逛飙的年份，到当前的阶段，能感觉到速度在加快，形式也在不断的迭代，写代码这个事情也变得门槛很低。 X 上有人在讲「AI 让软件开发成本接近零，所以 SaaS 价值也接近零」 美股前段时间也因此大跌了一波，但当前这个价值为零的逻辑还是不成立的。 这里有一个概念混淆： 构建软件的成本 vs 拥有软件的成本 。AI 主要压低前者，后者还在，甚至在很多…

最近新上了 Opus 4.6 ，它又给我们这帮老程序员上了一课。 在一个近一年没有迭代（指没有被封）的程序员群里，有大佬分享了如下的案例： 团队有个复杂遗留系统，典型「多线程 + 历史包袱 + 不敢动」组合。模型先给了一个方案：加锁、等待、条件变量、再加一层保护，几百行代码，逻辑像一团湿毛线。能跑，理论上也对，但你让我把这玩意儿上线？我不敢。 我让它「再想想…

长期记忆不是「把历史对话存起来」 。在生产环境里，它更像一套数据管道和检索系统，目标很具体： 让 Agent 在跨天、跨周的任务里保持一致性 （用户偏好、项目背景、关键决策不丢）。 让上下文成本可控 （Token、TTFT、吞吐量别炸）。 让错误可被纠正、记忆可被编辑、可被遗忘 （不然就是事故制造机）。 三个主要逻辑—— 记忆捕获、AI 压缩、智能检索 。 …

做 RAG 经常会效果不行，就算是把模型换了更大的，回答依然飘；把向量库换了更贵的，召回还是不稳；把 Prompt 改了很多版，效果依然起起落落。 RAG 的瓶颈大多不在「生成」，而在「检索」。检索做不好，生成只能在不完整的输入上硬编；检索做得稳定，模型反而没那么挑。 今天我们聊讲 5 个在工程中里最常用、ROI 比较高的策略： 多向量检索 人工切分打标 标…