ai agent

Claude Code项目越写越乱？这套清理流程能救你你有没有遇到过这种情况：用Claude Code开发了一段时间后，打开项目目录一看，里面堆了三四十个文件，有些是你自己写的，有些是Claude生成的，还有一些你根本不知道是干嘛用的。

【Agent Harness】Gliding Horse 核心设计理念，不跟风开发自己的AI Agent摘要：本文深入解析 Gliding Horse Agent OS 的核心设计理念，阐述如何通过 5W2H 任务本体与 PDCA 执行模型的结合，构建可执行、可审计、可进化的通用工作框架。文章详细介绍了 JSON-LD 简化用法、Harness 引擎的 LLM↔知识图谱翻译机制，以及统一知识图谱如何将技能、记忆、任务和代码知识融为一体。适合对 AI Agent 架构、语义网、知识图谱与多智能体系统感兴趣的开发者与架构师阅读。

Claude Code再强，也有这7件事做不了有人在Reddit上发了一份Claude Code速查表，拿了1900个赞和117条评论。结果25天后就有人指出："命令已经废了，现在全是Skill。"这个网上最火的Claude Code资料，不到一个月就过时了。

【Agent Harness】Gliding Horse 的 L2 作战地图：让多 Agent 协作从“摸黑”变成“透明”摘要：本文深入解析 Gliding Horse（流马）框架的 L2 共享黑板设计，一套专为多 Agent 协作打造的“实时作战地图”。文章详细拆解了 AgentTracker（Agent 生命体征监控）、三级资源锁（并发控制）、跨任务依赖管理（DAG 任务树）以及 SharedZone（Agent 间结构化通信）四大核心组件。通过将操作系统进程管理思想适配到 AI Agent 协作场景，L2 黑板让调度器（SA）能够实时掌握全局态势，实现从“摸黑协作”到“透明调度”的跨越。适合对多 Agent 系统、AI

【Agent Harness】Gliding Horse 工具结果压缩体系：如何用“指针”驯服上下文膨胀摘要：本文深入解析 Gliding Horse（流马）Agent 操作系统的工具结果压缩体系。针对 AI Agent 执行长周期任务时上下文窗口易被工具调用结果撑爆的痛点，流马设计了一套“指针+摘要”的纵深防御式压缩方案。文章详细拆解了 ResultRouter 智能路由、ToolResultCompressor 安全网、ContextWindowManager 全局控制三层架构，以及智能回收、流式/非流式路径统一等核心机制。通过将大块结果替换为轻量 IRI 引用并注册微工具，该方案在降低 90%+ To

【Agent Harness】Gliding Horse 上下文动态感知与智能压缩：让 Agent 真正“听得进”每一句话摘要：本文深入解析 Gliding Horse（流马）AI Agent 操作系统的上下文动态感知与智能压缩增强方案。针对 Agent 在多轮对话中“失聪”——忽略用户补充输入、上下文窗口 Token 浪费、注意力稀释等核心痛点，提出基于 RelevanceTracker 的任务关联度评分、SupplementaryInputStore 补充输入修复、L1Session 增强淘汰算法及 topic_coherence_agent 话题检测等关键技术。实测表明，该方案实现补充输入零丢失，上下文 Token 消

【Agent Harness】Gliding Horse 记忆系统深度剖析：像 CPU 一样思考的 AI 记忆架构摘要：本文深入剖析 Gliding Horse（流马）AI Agent 操作系统的四层记忆架构（L0-L3），借鉴 CPU 多级缓存与 MESI 一致性协议，实现近乎无限的“虚拟记忆”与极致的 Token 经济性。涵盖持久化存储、会话摘要链、多 Agent 共享黑板、投影引擎及 Hyperspace 向量引擎等核心组件，揭示其如何让 Agent 像操作系统管理内存一样管理记忆。

【Agent Harness】Gliding Horse 给 Agent OS 装上双曲空间引擎与默克尔树边云同步摘要：本文深入探讨如何将双曲面空间向量检索（HyperspaceEngine）与默克尔树边‑云差分同步协议集成到 Gliding Horse（流马）Agent OS 中。通过双曲几何（Poincaré/Lorentz）实现技能图谱的层次化低维嵌入，将向量维度从 768 降至 64，内存占用减少 90%+；利用 256 桶默克尔树实现边端与云端的高效增量同步，仅传输变更部分；结合锁无关架构与 L0 热缓存，将热点检索延迟降至亚微秒级。方案为多 Agent、多阶段、联邦化工程平台提供了统一的空间记忆引擎，显著

【Agent Harness】Gliding Horse 本体论系统设计：给 AI Agent 装上“语义大脑”摘要：本文深入解析 Gliding Horse（流马）AI Agent 操作系统的本体论系统设计。通过 SHACL 形状约束、OWL 推理引擎、本体对齐与漂移检测，为 Agent 产出的每一条 JSON-LD 数据赋予语义一致性和可追溯性。基于 Rust 和 Oxigraph 图存储实现零拷贝推理，让 AI Agent 从"会执行指令"升级为"能理解并演化知识"的认知操作系统。

【Agent Harness】为什么我把 JSON‑LD “编译成 DAG” 后，整个 Agent 平台立刻聪明了我写的 Gliding Horse（流马）是一个用 Rust 从零构建的 AI Agent 操作系统。如果你问我：整个系统里最“魔法”的一个设计是什么？我会毫不犹豫地回答：把 JSON‑LD 直接编译成 DAG。

折腾半小时，终于让AI 能直接帮我写飞书文档了前阵子在排查公司内网一个 Java 服务的问题，日志刷了一屏幕。问题定位到了，方案也理清了，于是习惯性对 AI 说："帮我把分析结果整理一下，写成一个飞书文档。"

【GitHub】CL4R1T4S：AI 系统提示词的透明革命深度解析 GitHub 上近 4 万 Star 的 AI 系统提示词泄露项目——它如何撕开 AI 行为的"黑箱"，以及这对整个 AI 行业意味着什么。

如何批量抓取 TikTok 数据而不被封锁？完整指南TikTok以两个阶段渲染其网页。初始HTML承载一个大JSON岛——一个 <script id="__UNIVERSAL_DATA_FOR_REHYDRATION__"> 大块——其中包含了用户资料、其统计信息以及首个帖子。此后的所有内容（在滚动时更多帖子、评论线程、搜索页面）在页面引导后通过XHR获取。因此，抓取TikTok需要两种技术：读取补充JSON以获取已有内容，捕获XHR响应以加载按需内容。

Mininglamp_2718

Vibe Coding 之后是 Vibe Operating？Vibe Coding 这个词从 Andrej Karpathy 嘴里说出来之后，几个月内就变成了开发者圈子里的日常用语；用自然语言描述需求、让 AI 生成代码、跑起来看效果——整个编程工作流正在被重新定义。但有一件事在 Vibe Coding 的叙事里被跳过了：开发者每天的工作不只是写代码，还有大量时间花在操作各种桌面应用上，从 Figma 里复制设计规范、到 Jira 里更新任务状态、到 Slack 里同步进度、再到各种内部系统里翻数据。这些操作不涉及代码，却占据了工作日的相当比例。

带娃的IT创业者

GitHub 热门: coleam00/Archon —— 当 AI Agent 学会自我进化在当下的 AI 开发领域，“Agent”（智能体）无疑是最高频的关键词。然而，许多开发者在实际构建 Agent 应用时，往往会陷入一个困境：我们花费大量精力编排 Prompt、设计工具调用链，最终得到的却是一个行为模式固化、难以应对复杂变化的"脚本执行器"。一旦业务逻辑发生微小的偏移，或者数据结构出现新的变体，我们往往需要重新修改代码。

【GitHub】 Headroom 深度解析：AI Agent 上下文压缩层的完整技术拆解一句话总结：Headroom 是一个在 LLM 收到内容之前自动压缩上下文的本地优先压缩层，通过 6 种自适应算法配合可逆缓存（CCR）机制，实现 60-95% 的 Token 削减，且回答质量零损失。

第二篇：不碰模型，意图识别快 9 倍 —— P0→P1→P2 流水线设计优化的最高境界不是换更强的模型，而是让该做的事情不需要模型来做。全量 LLM function calling：每次把所有 tool schema（5 个工具 × ~150 字描述）传给 Qwen，LLM 读完所有描述再抉择。我们用 qwen-turbo 实测了 500 次（50 条 query × 10 repeats）：p50=477ms、p95=672ms、p99=1200ms。延迟分解：input token 编码（~730 tokens） + LLM 推理 + output token 解码（~

跟风舞烟学编程

Hermes Agent 从入门到企业实战-01：Hermes-Agent核心架构🎯 本章目标：读完这一章，你就能跟别人讲清楚 Hermes Agent 是个什么东西，它凭什么 2 个月涨到 5 万星。

第六篇：本地模型选型 —— 4 个模型 × 2 种设备 × 2 项任务的全量对比选模型不是找"最强"的那个，是找"刚好够用且最省资源"的那个。两个延迟敏感路径：工具选择要求 <100ms，信息提取要求 <500ms。云端 API 的 p99 延迟抖动（500ms+）不可接受。另外本地模型零 API 成本——每天 1 万次工具选择，不用模型 = 每年省 ¥2,800-¥8,500。

第五篇：Reranker 与 BM25 —— 在精排提升与降级可靠性之间划一条线Reranker 的价值被普遍高估，BM25 的兜底能力被普遍低估——两者都需要你自己的数据来验证。学术界和社区普遍认为 Reranker 显著提升 Faithfulness（+17%），但在我们的 8 条测试用例上只加了 0.7%。