Library
资料库
统一浏览原始素材、概念、实体与摘要，按标题、标签和类型快速回到知识来源与上下文。
The Anatomy of an Agent Harness
A deep dive into what Anthropic, OpenAI, Perplexity and LangChain are actually building. Covering the orchestration loop, tools, memory, context management, and everything else tha
Agent Harness 解剖：从概念到工程实践
Agent Harness 解剖：从概念到工程实践 Akshay Pachaar 在 2026 年 4 月发表的深度分析，综合 Anthropic、OpenAI、LangChain 等团队的实践经验，系统定义了 Agent Harness（代理框架） ——将无状态 LLM 转化为可用智能体的完整软件基础设施。 核心观点 Agent 是涌现行为，Harness
Agent Loop
定义 Agent Loop 是 Agent Runtime 的心跳：系统把用户目标、上下文和工具结果送入模型，模型产生文本或工具调用，运行时执行工具并把结果继续送回模型，直到有证据可以收尾。 最小循环 设计要点 流式输出要能累积成完整 assistant message。 工具参数必须校验，失败也要回到 loop。 多工具并行时，UI 可以按完成顺序展示，但
OpenClaw
概述 OpenClaw 是一个长期运行的个人助理系统。相对 Pi 更像 runtime kernel，OpenClaw 更接近 product control plane：它负责通道接入、会话路由、工具策略、权限、队列、cron、webhook、Canvas 和 Control UI。 和 Pi 的分工 Pi 负责内核语义：模型怎么跑，工具怎么调，runti
Pi (pi-mono)
概述 Pi 是 pi mono 仓库里的 minimal terminal coding harness。它给模型一组很小但完整的身体能力：read、write、edit、bash，并配套只读检索工具、session、context files、compaction、skills、extensions、TUI、RPC 和 SDK。 分层 packages/a
深度解析：Harness Engineering
lencx 2026年4月3日 18:19 当 AI Agent 从“能跑”走向“能治”，一门新的基础学科正在成形。 本文不是概念拼接，而是试图回答一个根本问题：我们怎么走到了这里，接下来该往哪里走。 背景 先回答一个前置问题：我们是怎么走到今天的？ 要理解 Harness Engineering 为什么在 2026 年突然变成了一个被认真讨论的工程实践，必
深度解析：Harness Engineering
深度解析：Harness Engineering 模型不是瓶颈，系统才是。 本文系统论述了 Harness Engineering 的起源、定义、工程构件和未来方向，提出 AI 工程正经历从"指令驱动"到"意图驱动"的范式迁移。 背景：从生成到治理的五年弧线 AI 工程自 2022 年 11 月起经历了五个阶段： 1. 生成（2022.11 — 2023）
Agent 记忆存储（Memory Store）
Agent 记忆存储（Memory Store） 定义 Memory Store 是 summaries/memory in claude managed agents|Claude Managed Agents 记忆功能 中的核心抽象：一个 命名空间隔离的文本文件容器 ，作用域为 workspace，用于在会话间持久化 Agent 的非结构化知识。 工作原
Build agents that remember your users
Build agents that remember your users Most agents start every conversation from scratch. A customer tells your shopping assistant their size, their budget, and which materials they
Claude Managed Agents 记忆功能
Claude Managed Agents 记忆功能 概述 大多数 Agent 每次对话都从零开始，无法跨会话记住用户偏好。Claude Managed Agents 引入了 Memory（记忆） 功能来解决这个问题：Agent 在一个会话中写下笔记，同一用户下次返回时自动读取。 该功能目前处于 公开 Beta 阶段，API 可能在正式发布前发生变化。 核心
第一个 Agent 从 Pi 开始
lencx 2026年5月4日 20:40 学 Agent，入口经常比模型 API 更先把人卡住。 不少人第一天就去研究 memory、MCP、skills、multi agent、Agent OS。概念都对，但落到代码实现时，最先撞上的问题往往很具体：模型怎么看文件？怎么改文件？怎么跑命令？跑错了怎么办？上下文溢出了怎么办？它说做完了，证据在哪里？ 我的建
从 Pi 开始理解 Agent Harness 工程
从 Pi 开始理解 Agent Harness 工程 凡是让 Agent 趋近于目标的一切工程化手段，都是 harness。 概述 本文是对《第一个 Agent 从 Pi 开始》一文的精炼总结。文章从 Pi（一个 minimal terminal coding harness）出发，系统阐述了 Agent Harness 的概念、分层架构、工程模式，以及如何
检索增强生成（RAG）
检索增强生成（Retrieval Augmented Generation，RAG）把知识库检索和语言模型生成结合在一起。这个项目会从 wiki/ 中检索整理后的知识片段，也会从 raw/ 中检索简短原文摘要，然后让模型基于这些片段生成带引用的回答。 它解决什么问题 关键实现选择： 用 Git 保存长期可维护的知识资产。 从 Markdown 内容构建向量索
AI 知识库种子笔记
这篇种子笔记描述了项目的初始目标：构建一个公开的 AI 知识库。原始资料保存在 raw/，AI 整理后的知识页保存在 wiki/，读者可以通过 RAG 对话入口围绕知识库内容提问。 这个仓库应该让概念之间可以通过 rag|RAG 等双链自然连接，并清楚展示每篇整理页来自哪些原始资料。
AI 知识库种子笔记摘要
AI 知识库种子笔记摘要 本页总结了项目的初始目标和整体架构。 项目目标 构建一个 公开的 AI 知识库 ，将原始资料与 AI 整理后的知识页面分离存储，并提供 RAG 对话入口供读者围绕知识库内容提问。 仓库架构 | 目录 | 用途 | | | | | raw/ | 存储原始资料（人类输入、粘贴、Obsidian Web Clipper、RSS 等）。AI