技术博客 全部文章

Agent应用的十大风险几乎都可归结为包管理供应链问题，核心路径包括名称混淆、注册表与元数据投毒、依赖解析篡改、安装或导入时执行恶意代码、插件自动加载与凭证窃取；由于代理会自动发现、安装、执行并传播依赖，且权限更高、缺少人工复核，传统包管理漏洞被放大为更快扩散、更难察觉的系统性失陷。

核心是配置 Hysteria2 与 Clash 客户端直连运行：Cloudflare 子域名解析到 VPS，必须关闭代理改为 DNS Only，否则 QUIC 不可用；服务端监听 443，填写子域名、邮箱和强密码；客户端同步相同域名与密码到 proxy.yaml，最终实现基于 QUIC 的 HY2 节点接入与分流使用。

智能体能力主要取决于包裹LLM的“agent harness”，而非模型本身；其核心是编排循环、工具调用、记忆、上下文管理、状态持久化、错误处理、安全护栏、验证与多智能体协作，把无状态模型变成可执行系统。生产级效果差异往往来自harness设计，优秀方向是用更薄但更稳的基础设施提升性能。

AI智能体的持续学习不只发生在模型权重，还包括驱动代理的harness和可配置的context，三层都能基于执行轨迹持续更新；模型更新面临灾难性遗忘，harness可通过分析任务日志迭代代码，context可在代理、用户或组织层离线或实时写入记忆；构建会长期变强的智能体，关键不只是训模型，而是用轨迹统筹优化三层。

编码代理的核心不在模型本身，而在其外层执行框架：通过实时仓库上下文、可复用提示缓存、受控工具调用、上下文压缩、结构化会话记忆和有边界的子代理协作，让LLM在代码检索、修改、测试和多轮连续任务中更高效、更可靠；因此优秀的coding harness往往比单纯更强的模型更能决定实际编码表现。

LangChain评测显示，开源模型GLM-5与MiniMax M2.7在文件操作、工具调用和指令遵循等代理核心任务上已接近闭源前沿模型，且成本和延迟显著更低，适合生产环境；Deep Agents已支持一键接入、本地或多提供商部署，并可在会话中切换模型，目前开源模型已能承担大量代理执行任务。

构建Claude应用的核心不是堆更多控制层，而是持续删减过时假设：优先用其已擅长的通用工具，让模型自己编排动作、管理与持久化上下文，仅在安全、体验、审计边界上保留必要工具与缓存设计；模型能力进化越快，agent harness越应轻量，否则会拖慢性能、抬高成本并限制效果。

Cloudflare称其网络32%流量来自自动化请求，AI爬虫因高并发、长尾扫描、高唯一URL和低复用率，显著拉高CDN缓存未命中，增加源站负载、带宽成本并拖慢真人访问，部分网站已被迫封禁爬虫；传统通用缓存不再适配，需按人类与AI流量分层路由，并采用AI感知缓存算法和独立缓存层。

作者认为生产级AI代理成败不在模型，而在其外部的“harness”系统；团队删去LlamaIndex、MCP和复杂RAG后，用简单API与自定义ReAct引擎，配合工具、记忆、护栏、编排、沙箱和上下文管理才真正跑通。企业应把重心从换模型转向构建可恢复、可持久、可部署的基础设施。

开发正从单AI协作转向多代理编排，核心做法是用子代理或代理团队并行分工、共享任务与隔离上下文，再用计划审批、测试钩子、文件锁和人工审查建立质量门禁，结论是多代理能显著提升吞吐与专业化，但真正瓶颈已从生成转向验证，成败取决于规格清晰度、协调机制和持续积累的AGENTS.md知识。