REA 逆向神器，AI 时代不再有闭源软件
闭源软件还会存在。但我们已经很难继续把「没有源码」当成一道足够可靠的理解门槛。 截至 2026 年 10 月 18 日，写这篇文章的时候，REA 的 GitHub 原仓库显示约 316K Star、80K Fork（半天增加将近 1 万 Star）。社区讨论的内容中包括如何理解一个函数，延伸到了旧软件维护、跨平台实现，以及某些商业软件是否还能维持原有优势。这…
CODE, ARCHITECTURE & AI
Agent.
DeepSeek Harness 和 Pi 的 Agent Loop 循环结束判断架构细节解析
本篇文章代码基线采用 DeepSeek Harness 版本 0.1.2-alpha.1 ，提交时间为 2026 年 8 月 28 日；Pi 采用 853a80d2 。这里的 Pi 指 pi-agent-core 中的官方 Agent Loop。 就循环究竟在什么时刻结束这个问题，很多 Agent 框架把结束判断写成一个条件： while (hasToolC…
DeepSeek Harness 的 Cordis 插件架构
DeepSeek Harness 把模型、工具、会话、沙箱、文件系统、Agent 循环、调度和 UI 都交给插件。 系统没有一块承载业务能力的固定内核，Cordis 只维护上下文、服务注册、事件分发、依赖激活和副作用回收；Agent 能做什么，由启动时挂入的一棵插件树决定。 传统的插件有注册容易，撤销困难；初始化容易，失败回滚困难；全局单例容易，局部覆盖困难…
做 Agent 架构时，OpenViking 的几个可以学习的点
设计 Agent 架构时，有一个模块的边界经常画不清晰：上下文。规划、工具调用、执行循环这些组件的职责都好切分，唯独「Agent 该知道什么」这件事，散落在 prompt 模板、RAG 管道、记忆插件和会话历史四个地方，各管一段，互不通气。 比较常见的状态是知识走一条 RAG 管道，用户记忆走一个独立的 memory 服务，工具使用经验干脆没有沉淀机制，靠 …
Session First 和 Agent First，本身并没有高低之分
最近在思考一个问题：系统究竟把谁当成第一类公民。 现在我们看到很多的 AI 产品，，本质上还是「把聊天框做得更厚一点」。用户打开一个窗口，对着通识大模型说需求，模型在一个长 session 里记上下文、调几个工具、写几段内容、偶尔执行点操作。这个模式我称它为「Session First」。 「Session First」的模式跑得起来，落地也快。过去一段时间…
聊聊 Harness：从 Agent 到组织
我们在落地 Agent 时面临的核心矛盾，是大模型的概率生成机制与工程系统所需的绝对确定性存在天然冲突。要获取大规模、可维护且值得信赖的代码，必须在系统外围构建 Harness。 Harness 的本质是将不确定性转化为确定性。 提高信任度和可靠性需要极度压缩 Agent 的解决方案空间。我们必须放弃让模型「生成任何内容」的灵活性，转而采用包含大量技术细节的…
对最近 AI 落地工程实践的一些想法和思考
最近和小区某上市公司的 CFO 喝茶聊 AI，在过程中思维和实际场景的碰撞，记录如下： 穿透复杂的表象，当前 LLM 的底层运行逻辑其实非常单一：它本质上是一个自回归的序列生成器，根据已有的上下文，计算词表中每一个 token 出现的概率分布，然后从中采样出下一个 token。 但这里的「概率」绝非毫无逻辑的随机掷骰子。 这种概率分布，是模型在海量预训练数据…
Claude Code 的 SKILLS 技能渐进式披露实现原理解析
SKILLS 和 渐进式披露 是 A 家最早提出来的方案，也是 OpenClaw 火了后大家一直讨论的哪个技能好用很核心的强依赖的实现逻辑。 如果把 Claude Code 的 skills 理解成一堆 prompt 文件，后面的很多设计都解释不通。 从其源码实现来看，会发现它在解决的核心问题是： 怎么让模型保留足够强的技能召回能力，同时又不把常驻上下文撑爆…