纳米AI

Anthropic 昨天发了一篇讲 Agent 记忆的工程文章 读完我觉得最有价值的结论是： 记忆好不好，不取决于存了多少，取决于存了什么 文章把 Agent 记忆拆成四层 最底层是原始会话日志 往上是模型自己写的笔记 再往上是 wiki 这类知识结构 最顶层是每次开局自动加载的上下文 另外引入一个机制，叫 dreaming Agent 空闲时回看日志，改正错误，重新整理笔记 灵感来自人脑睡眠时的记忆巩固 我的一点感受： 同一个模型，记忆怎么组织、怎么校验、怎么加载 都会显著影响最终表现 这部分属于 Agent 框架层的工程设计，不只是模型能力的问题

用AI学技术，有个很烦的问题 一段代码讲解看到一半，冒出个小疑问 在原对话里问吧，回答一长串，把最开始那段分析冲散了 得往上翻半天才找得到，不问吧，又卡着 以前我的办法是把代码复制到另一个AI里问，搞懂了再回来，很麻烦 后来想明白了 问题出在对话是一条线，但人学东西的思路是一棵树 主线一个问题，中间不断冒出小分叉，解决完要回到主干 理想的形态应该是： 选中回答里的某一段，弹出一个小窗 围绕这段单独问答，问完关掉，主对话原封不动 我去查了一下，发现不少人有同样的痛点，已经有一些解法了 不过我还是习惯了deepseek+claude的协作方法

最近很多人问，想学 Agent、想找相关工作 到底该从哪里下手？ 我的建议是：直接啃 DeepSeek Harness 原因有三个： 第一，它够主流、够新 面试拿它出来讲，面试官不用你解释它是什么 第二，它是开源的 工业级的 Agent 大多不开源 能把完整源码摊开给你学的，屈指可数 第三，它是真实的工程 学校的课、各种名校推荐的课程，讲的多是概念和原理 你跟面试官讲半天，很难讲明白，也没有分量 DSH 是一个真正在跑的系统，Github可见 我做过多年技术面试官 我认为绝大多数面试官是没有看过DSH源码的 如果你花大量时间把它研究透 再搞一个 GitHub 项目记录学习和思考 写进简历，…

我准备开始录全英文的技术视频了 发YouTube 讲LLM和Agent 整天在𝕏中文区发内容 学一点 分享一点 看起来挺充实，其实没什么成长感 因为对我来说 这件事没有难度，没有挑战，也就没有收获感 就如同某个午后 我站在腾讯大厦楼下，跟同事说： 你说我们每天在这个格子间 按部就班的上下班、接需求、写代码 重复又重复，loop循环具象化 是不是这辈子就废了、完了 因为我完全不记得上个月干了什么 感觉我目前也基本这个状态 所以想换个真正难的 用英文 把LLM和Agent讲清楚 及时脱离舒适区，找一点能让我兴奋的事情 。🙂

新手如何从零实现一个 Agent？ 我的答案是：别一上来就看项目代码 很多人学 Agent 的路径是 找个开源项目，从入口文件一行行往下读 读完好像懂了，合上代码，自己写不出来 因为这是被动学习，你看到的是别人“怎么写” 但不知道他“为什么要这么写” 我想到了一种新方式：先当产品经理，写需求文档 问自己一个问题： 一个能用的 Agent，最少需要什么？ 我列出来是 6 条： 1. 入口：输入从哪进来，回答从哪出去 2. 主循环：调模型，要用工具就执行，结果写回，再调模型 3. 模型接口：不绑死某一家，换模型不改循环 4. 工具箱：不光能执行，还要告诉模型有哪些工具 5. 会话记录：模型…