ai agent

AI Agent 三大核心：Harness Engineering、Hermes Agent、OpenClaw 全解析（2026最新）2026年，AI Agent 开发已从“概念探索”迈入“工程化落地”阶段，Harness Engineering、Hermes Agent、OpenClaw 三大核心元素强势崛起，成为开发者必备的技术栈。无论是企业级AI系统的合规管控，还是个人开发者的快速落地，亦或是多场景协同的生态搭建，都离不开这三者的支撑与配合。

AWS Agent Registry实操：用一个注册中心管好所有AI Agent团队里Agent越来越多，谁建的、干什么的、接了哪些MCP Server，问一圈没人说得清。AWS上周放出了Agent Registry的Preview版，挂在Bedrock AgentCore下面，想解决的就是这个问题——把Agent、工具、MCP Server统一登记，要用的时候搜一下就行。

zhangshuang-peta

MCP 与跨系统集成：当多个系统共享 Agent 能力时会发生什么？一、当 Agent 不再属于“单一系统”，问题才真正开始（The Real Problems Begin When Agents Are No Longer Owned by a Single System）

Hermes-Agent 部署Telegram/Discord机器人（多平台远程控制）专注AI Agent实战、多平台部署、开源项目落地！前面我们完成了Hermes的安装、源码解析、自定义工具开发和本地模型对接，今天带来终极实战——部署Telegram/Discord机器人，让你随时随地通过手机、电脑远程控制Hermes，实现跨平台对话、工具调用、定时任务，真正把AI智能体变成你的随身助手！全文流程清晰、代码可直接复制，建议收藏+关注，部署时不迷路～

【Agent Memory篇】07：MemPalace 的 AAAK 方言、知识图谱与语义检索系列导航：这是「Agent Memory 系列」第 07 篇，也是 MemPalace 三部曲的中间一篇。第 05 篇讲了 MemPalace 的宫殿隐喻与整体架构，第 06 篇讲了从原始对话到 drawer 的挖掘流水线，这一篇进入它最有"工程味"的三个子系统：AAAK 压缩方言 + 时序知识图谱 + ChromaDB 语义检索。第 08 篇将收尾于 MCP 服务、CLI 与端到端实战。

Agent核心架构：感知-规划-行动-观察循环很多人第一次接触 AI Agent 时，会误以为它只是“大模型 + 工具调用”。但真正决定 Agent 能否持续完成任务的，不是它会不会回答，而是它是否具备一个能够不断运行的闭环。

AI Agent的入门开发指南在人工智能技术演进的浪潮中，AI Agent正从科幻概念转变为现实生产力。与传统的AI模型不同，Agent不是被动的响应工具，而是具备自主性、目标导向性和环境交互能力的智能实体。它们能够感知环境、制定策略、执行动作，并在过程中不断学习和优化。这种范式的转变，标志着AI从"工具"向"伙伴"的进化。

都市凡尘@Paraverse

Agent 心智架构：感知 - 推理 - 行动循环｜学习笔记Agent 是感知、记忆、推理、行动融合的数字智能体，人机关系从Copilot（人主导）升级为Autopilot（AI 主导 + 人监督），需预留 HITL 接口保障人类主体性。

OpenClaw学习总结_IV_认证与安全_5：Secret管理与轮换详解本篇目标：把 OpenClaw 项目里所有“能代表身份/能导致越权/能被滥用”的敏感信息（secrets）怎么存、怎么用、怎么轮换、怎么审计，讲成一套可落地的工程规范。

行者-全栈开发

AI 驱动的智能行程规划系统：腾讯地图 Map Skills 实战💡 摘要: 本文深入讲解了如何使用腾讯地图 Map Skills 构建 AI 驱动的智能行程规划系统，涵盖需求分析、NLU 模块设计、Tool Calling 实现、POI 检索、路径规划、行程生成算法、多人汇合点推荐等核心内容。通过完整的代码示例和实战案例，展示如何从零到一打造企业级 LBS 应用。包含 8 个常见问题和性能优化技巧，适合有一定基础的开发者进阶学习。

zhangshuang-peta

通过 MCP 控制平面引入技能构建 agentic 产品的团队，往往一开始会把 “skills（技能）” 当作一种内部构造：它是可复用指令、工具 schema，以及一点点嵌在每个 agent 内部的胶水代码的混合体。对于少量技能和单个 agent，这种方式可能是可行的，但一旦多个 agent、多个团队以及多个环境需要安全且一致地共享能力，这种方法通常就会崩溃。开放的 Agent Skills 格式（例如一个 SKILL.md 清单文件，再加上可选的脚本/资源）以及 OpenAI API 层面的 “Skills” 概念，都是行业正在标准

都市凡尘@Paraverse

Agent 设计模式第 3 章学习笔记：从设计到演化，走进 Agent 时代LLM 融入软件架构核心后，软件从被动工具升级为主动智能体，人机交互从 “命令 - 控制” 转向 “意图 - 协作”，Agent 是具备感知、记忆、推理、行动能力的数字新物种。

Java Agent 集成 MCP 工具协议：让 AI 真正驱动企业系统标签：Java MCP Agent j-langchain LLM 工具调用 Function Calling 适合人群：希望把企业 API、数据库、文件系统等能力统一接入 Java Agent 的开发者

zhangshuang-peta

MCP 的渐进式披露渐进披露（progressive disclosure）是一种用户体验策略，它让复杂系统在不移除能力的前提下，显得简单。这个模式很直接：先展示大多数人此刻成功所需的少量选项，而“其余内容”只在用户请求时，或在任务相关时才揭示出来。做好这一点，可以减少错误、提升可学习性，并加快高频任务——尤其是在“MCP”环境中，因为那里有多个渠道、能力和治理要求，可能会让用户和团队不堪重负。 [1]

正在走向自律

AI Agent：从概念到实践，下一代人工智能的核心形态说实话，第一次用ChatGPT的时候我是有点震撼的。但用了几个月后发现，它更像是个"超级搜索引擎"——你问一句，它答一句，对话之间没什么连续性。直到去年我开始接触AI Agent，才真正感觉到：哦，这才是我想象中AI该有的样子。

【Agent Memory篇】08：MemPalace MCP 服务、CLI、Hooks 与实战指南本文是「Agent Memory 系列」第 08 篇，也是 MemPalace 子系列的完结篇。这是"最后一公里"——把一个单机 Python 包变成 AI 的长期记忆器官。

从“应答机器”到“提问专家”：解锁AI主动思考的Prompt设计艺术本文深入探讨如何通过精妙的Prompt设计和身份赋予，将AI从被动的信息提供者转变为主动的问题发现者。文章系统解析了“审计/顾问”身份设定的核心原理，结合代码审查、需求分析、安全审计等实战场景，提供可操作的Prompt模板和设计框架。通过引入Active-Prompt、AI Agent等前沿技术，展示如何构建具备主动提问能力的智能助手，为人机协作开辟全新范式。

【Agent Memory篇】05：MemPalace 整体架构、宫殿隐喻与四层记忆栈系列前四篇（01–04）我们拆完了 OpenClaw 这一套"LLM 自主决定记什么"的 Agent Memory 方案。从这一篇开始，主角换人——我们进入一个立场截然相反的项目：MemPalace（milla-jovovich/mempalace，v3.0.14）。

zhangshuang-peta

MCP 与 Prompt Engineering：协议出现后，Prompt 还重要吗？一、一个常见疑问：有了 MCP，还需要 Prompt 吗？（A Common Question: Do We Still Need Prompts After MCP?）

[FastMCP设计、原理与应用-02]以命令行和客户端与MCP服务器交互在"Hello, MCP"，我们采用HTTP传输协议搭建了一个简单FastMCP服务器，并直接采用HTTP请求的形式完整MCP的基本操作，包括读取组件列表、调用工具、读取资源和渲染提示词等操作。接下来我们来演示其他两种交互方法，一是使用fastmcp命令行，而是以编程的方式是客户端SDK。