技术博客 全部文章

Claude Code跨会话记忆分自动记忆与CLAUDE.md体系，启动时加载工作目录向上CLAUDE.md全量及MEMORY.md前200行，子目录内容按需读取且指令越具体优先级越高，用户可用/memory编辑并用设置或环境变量开关，CLAUDE.md支持@导入并可用.claude/rules按路径分模块定规则，使组织团队与个人偏好长期一致且可控。

智能体因自然语言输入无穷且对提示微变敏感、推理与工具链路不可预期，生产监控需从只看延迟错误转为追踪全对话、上下文与轨迹，并用标注队列引入结构化人工复核、用LLM在线评估与聚类洞察自动发现模式，最终形成可告警的质量与安全指标闭环以持续改进。

在同一服务器部署主机器人与救援机器人两套 OpenClaw 实例，主机故障时由救援机通过独立配置与密钥接管排障，自动查看主机日志与配置、修正错误并重启服务，减少手动 SSH 操作与恢复时间；可加装开机自启并按需授予更高权限以提升自动化，但需控制密钥暴露风险。

研究对比显示AGENTS.md效果取决于内容：自动/init生成的概览多为可自行发现信息，导致噪声、成功率降2-3%且成本增20%+；人工仅写工具陷阱、隐性约定等不可发现信息可提效提准，应将其视为可随问题修复而删减的最小“异味清单”，并按目录分层按需加载以控成本与偏置。

团队用Codex在无人工写码约束下5个月从空仓库交付内测产品，生成约百万行代码与1500次PR，耗时约手写的1/10；人类转为设计脚手架、文档地图、UI与可观测反馈回路并用lint强制架构与品味，使代理可端到端修复发布，但需以“黄金原则”定期清理漂移，长期一致性仍待验证。

Uber在服务网格内推全局限流GRL，采用分层聚合由控制平面下发丢弃比例的概率限流取代Redis计数与令牌桶，并用RLC基于历史流量自动计算并更新配额，结果降低端到端延迟与运维成本、释放存储资源，在流量峰值与攻击下提升平台稳定性与公平性。

作者认为智能体框架不会消失但必须随模型能力同步演进，LangChain体系从链式调用到LangGraph运行时再到DeepAgents实现长任务规划与工具循环并按场景推荐使用；同时推出独立于各框架的LangSmith，通过追踪与评测提升调试监控与上线质量，结论是简单LLM请求可不必上框架但生产级必须具备可观测性。

OpenAI 发布智能体工程手册，提出用Skills按需加载流程、Shell提供执行环境、Compaction自动压缩上下文，并用清晰技能描述与负面示例提升多技能路由可靠性，实测可支撑百万级token与多次工具调用的长期运行且促成跨厂商技能标准化。

Openclaw将对话与数据映射为本机文件，调用Claude读写文件完成任务；若把公司也建模为统一文件系统，案件、计费、权限等以目录与权限表示，打通分散系统数据，AI代理即可凭共享命名空间获取上下文并做决策，文件系统将成代理的事实源。

Agent工程师用GPT-4到多种coding agent一年多将生产开发交给AI，发现瓶颈是上下文丢失而非模型能力，于是用HANDOFF结构化交接替代压缩、用Sub-Agent分工与文件传递扩容上下文、用git worktree隔离并发，并给agent全局多仓视图与测试日志CLI自验证能力，协作方式转为Issue驱动开发与PR审查，最终沉淀并开源Code Relay协议复用该工作流。