agent

7.1 需求分析与规划《AI Agent智能体开发实践》需求分析是智能体开发的起点，核心是明确智能体的目标、应用场景、核心能力及约束条件，为后续开发提供清晰方向。

一行行拆解 agent-loop：AI Agent 的"思考循环"到底是怎么转的系列：DeepSeek Harness 源码实战｜进度 5/16 原文仓库：github.com/deepseek-ai…

开源项目-让本地 Codex 临时接管远程 Linux 服务，实现快速运维让 Codex 临时连接远程 Linux 完成诊断与维护，并通过分级权限、自动过期和执行审计控制运维风险。

云原生指北

Docker Sandboxes 工作区怎么接：Direct、Clone 和它们的边界Docker Sandboxes 实测系列（共 5 篇）Direct 模式下，工作区以读写方式挂进 sandbox，Agent 改的文件立刻出现在 Mac 上，适合人在旁边、和 Agent 改同一棵树；代价是 Agent 也能删掉或弄乱这棵树。

5天开发企业级 Agent（设计篇 02）｜不只是工作流上一篇画出了企业 Agent 从入口到可信结果的完整主链。这一篇沿着其中最关键的一段继续向下拆：企业应用怎样先划定能力边界，再让 Agent 根据目标和事实自主组合 Skill 与 Tool；这套自主能力又怎样通过 Tool、MCP、Business Action 和证据链被约束住。

七牛云行业应用

DeepSeek Harness vs Codex vs Claude Code：三款 AI 编程 Harness 深度对比数据来源：DeepSeek Harness 官方 GitHubOpenAI 官方 changelog、Anthropic Claude Code 官方文档 | 话题：DeepSeek Harness · Codex · Claude Code · AI Agent

小七-七牛开发者

Agent 小知识｜Agent 环境工程：部分可观测性、状态转移与执行隔离上一期我们聊了 Agent 的三种编排方式：ReAct、Plan-and-Execute 与 Workflow Graph。编排解决的是任务接下来往哪里走，工具负责把模型提出的行动交给真实系统执行。

不会vibecoding的小牛

办公Agent怎么选？先看清"技术边界"——一篇讲透"会做"型 Agent 的选型逻辑2026 年的 AI 已经从"你问一句、它答一段"迈进了 Agent 阶段：能操作软件和浏览器、读写你电脑里的文件、把一个多步任务从头干到尾、直接交出成品。市面上叫"办公 Agent"的产品一抓一大把，但选型文章大多在堆榜单、比分数。作为技术读者，我更关心一件事——这些产品在技术上到底差在哪，我的场景该落到哪一类。

DeepSeek Harness、Codex、Claude Code、LangGraph 应该怎么选：先判断你缺的是产品、底盘还是工作流“DeepSeek Harness 和 Codex、Claude Code、LangGraph 谁更强？”

Windows安装部署Claude Code+CC‑Switch+Agnes AI 保姆级教程claude code (克劳德扣德)是Anthropic 推出的编程智能体AI Agent，我们都简称它为CC, 它可以读代码、改文件、跑测试、等等一系列骚操作

RAG 实战教程（三）：向量数据库检索算法，KNN、IVF、HNSW 与 Faiss 实战把文档转成向量并存进向量数据库以后，接下来就是检索。数据只有几十、几百条时，直接让查询向量和所有文档向量计算距离并没有什么问题。但知识库里有十万、百万个 Chunk 以后，每次查询都全部计算一遍，速度就会越来越慢。

阿里云大数据AI技术

阿里云 Milvus AI Function | 低成本和高稳定的双重加强作者：周弘懿（锦琛）AI 应用上线后，团队很快会撞上三件事：相同的文本被反复向量化、在线推理动辄几秒的延迟、以及突发流量把模型额度瞬间打满。

pi 扩展机制：加载、执行与能力pi 的扩展系统解决一个问题：把 agent 内部流程以事件形式暴露出来，让外部代码能观察、拦截、修改它的行为。Claude Code 这类 agent 默认是黑盒——你不知道它中途改了哪些文件、跑了哪些命令、每一轮花了多少 token、有没有切模型。pi 的做法是给一套扩展机制，把内部流程白盒化，挂回调就能拿到这些信息。

飞哥数智坊

当大家都在做 Work，DeepSeek 却把 Agent 拆成了插件昨天，DeepSeek V4 Pro 正式版发布，DeepSeek 自己的 Agent 产品也终于上线了。

飞哥数智坊

WorkBuddy 帮我把吃灰的 ima 收藏，变成了每日知识速览最近准备了一场 WorkBuddy 的分享，主要目的是让大家可以搭建自己的专家——智能体。选的场景很简单：平时我在 ima 里收藏了不少文章。收藏的时候都觉得以后有用，真正有空再回头看的，没几篇。

Agent用户偏好记忆设计：从原理到实战摘要： Agent 想真正做到“越用越懂你”，靠的并不是简单保存聊天记录，而是一套完整的用户偏好记忆系统。本文从真实项目中的“记不住、记错了、过度记忆、旧偏好污染”等问题出发，系统拆解 Agent 用户偏好记忆的分层模型、写入策略、召回机制、冲突处理、遗忘机制与安全治理，并给出可落地的 Python 实现思路、Mermaid 架构图和验证方法。读完后你可以独立设计一套可控、可解释、可演进的 Agent Memory。建议收藏。

云原生指北

Docker Sandboxes 的隔离例外：共享 Skills 与宿主机 MCPDocker Sandboxes 实测系列（共 5 篇）官方给 sandbox 划了五层隔离：Hypervisor、网络、Docker Engine、workspace、凭证。前两篇讲的读写工作区、宿主机 Docker 碰不到，都在这五层里。

会调工具的 Agent 只值一半：真正的业务智能体，得会"记仇"先甩结论：企业 AI 的分水岭，从来不是模型能不能写出一段流畅的回答，也不是它会不会调用一堆工具——而是它能不能把每一次决策写回本体，让系统记住自己为什么这么做。