如一

灵动的艺术

如一 Agent 架构解读（二十四）：Agent 高效率低成本思考前面讲的都是 Agent 的「能力面」——能做什么,怎么做对、做好。从这篇开始谈「性能面」——速度、成本、效率。

灵动的艺术

如一 Agent 架构解读（二十一）：SubAgent 体系——封装、闭环与可交互前二十篇拆完了单 Agent 的 internals：loop、上下文、压缩、工具、记忆、缓存。这些文章共享一个前提——一个 Agent 就是一个上下文窗口、一档模型、一条串行执行线。这篇讲 SubAgent：先分析这个前提在复杂任务下的结构性约束，再对齐业界各家的实现取舍，最后讲如一的受管 SubAgent 体系怎么设计。

灵动的艺术

Firecracker 详解：把虚拟机压缩成一个进程和十几条 HTTP给 Agent 选沙箱底座，调研一圈下来，所有答案指向同一个名字：Firecracker。AWS Lambda 和 Fargate 的底层引擎是它，E2B、Fly.io、Modal 这些叫得上名字的沙箱产品，底层也几乎全是它。

灵动的艺术

如一 Agent 架构解读（十二）：记忆系统（下）——记忆的生命周期工程上篇立了记忆的数据模型与召回：认识论定价、血缘纠错、三级召回。这篇讲运转——一条记忆从对话信号变成可信资产，要走过写入、决策、巩固、遗忘的完整生命周期。我们把业界各家的真实实现拆到机制层，再给出我们认可的最佳方案。

灵动的艺术

如一 Agent 架构解读（十三）：缓存命中率工程——Agent 的成本地基前面十二篇讲的都是"怎么让 Agent 干得好"，这篇讲"怎么让 Agent 干得起"。Agent 一次任务几十轮模型调用，每轮都携带全量上下文——输入 token 成本的大头不在新内容，在重复发送的前缀。Prompt Cache 是唯一的解，而缓存命中率不是一个可以事后调优的参数，是系统设计的产物。这篇从业界最佳实践讲到我们认可的全局命中率工程。

灵动的艺术

如一 Agent 架构解读（六）：阈值、联动与坑位——压缩系统的肌理前五篇立的是骨架：成本阶梯、异步整理、回忆机制。但两套架构相同的压缩系统，跑出来的效果可以天差地别——差距不在架构，在参数和细节。这篇是压缩篇的收官，讲肌理：阈值怎么定、参数怎么联动、坑怎么避。

我是有底线的