技术博客 全部文章

Deep Agents在Python SDK与CLI新增“自主上下文压缩”工具，模型可在任务边界、提炼结论前后、读取或生成大量内容及进入复杂多步流程时主动触发，将旧消息按规则总结并保留最近约10%对话，以缓解上下文窗口限制与context rot，减少固定阈值压缩带来的时机不佳并提升长程交互代理的稳定性与可用性。

智能体由模型与"Harness"构成，后者是包裹模型的代码、配置与执行逻辑系统，赋予其状态持久化、工具执行、反馈循环等能力；核心组件包括文件系统、沙箱环境、代码执行工具、记忆与搜索机制、上下文压缩及长程自主执行模式，Harness工程通过设计系统来弥补模型原生缺陷并放大其智能效用，且随模型能力进化持续迭代优化。

研究用开源套件CoT-Control在13个推理模型、1.3万余任务上测试思维链可控性，结果显示前沿模型普遍难以按指令重塑或遮蔽推理过程，可控性多低于15.4%且最低0.1%，规模增大略升但推理更长与后训练/RL增加会下降，被告知在监测下仅小幅提升，结论是当前CoT可控性不构成对CoT监测的主要风险但需持续评估并在系统卡同步披露相关指标。

Agent由模型与Harness组成，Harness指除模型外的代码与执行机制，通过提供持久状态、文件系统与Git、工具与代码执行、沙箱环境、搜索与记忆注入、上下文压缩与输出卸载、规划与自验证循环及编排钩子，把仅能输入输出文本的模型变成可长期自主完成任务的工作引擎，并与模型后训练共同演化但也可能导致对特定工具逻辑过拟合，因此优化Harness本身可显著改变同一模型的效果。

LangChain为Codex、Claude Code等编码代理构建按需加载的技能，并提出评测管线：在一致沙箱中设定可度量任务，对比无技能与不同拆分技能的表现，用LangSmith全程追踪行动与失败原因并迭代，结果任务完成率由9%升至82%，结论是技能必须依赖系统化评测与可观测性才能稳定增益。

AI代理技能数量激增但多数未做评测且常由AI生成，文中给出落地评测方法：先量化成功标准，再用10–20条提示集驱动代理运行并以正则等确定性检查或LLM裁判评分持续迭代，案例通过改写触发描述与将警告改为明确指令把Gemini技能通过率从66.7%提升到100%，结论是用评测防止回退并据结果决定技能维护或退役。

Cloudflare将LLM接入邮件安全，实时细分海量恶意邮件并锁定“销售外联”式钓鱼，基于语义意图训练专用模型输出风险分数并与信誉等信号联动拦截且持续自我迭代，使防御从依赖用户事后上报转为提前发现盲区，Q4 2025相关漏报日均提交由965降至769并在2026年初继续大幅下降。

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。