1. 文章
1.1 看完 Manus、Cursor 分享后的最大收获：避免 Context 的过度工程化才是关键
-
业内目前共识的一个方法是「上下文卸载（Context Offloading）」，核心思路是别把所有东西都硬塞进 Agent 的短期记忆里，把它卸载出去。放到上下文窗口之外，但在需要时，又能被精确地检索回来。
-
将信息转移到文件系统中，是目前生产级 Agent 中主流、最 Work 的一种做法。
-
Cursor 的做法是，将这些输出直接写入到一个文件，然后在上下文中只告诉 Agent：「结果在output.log里，你自己去看。」Agent 可以先用 tail 命令查看文件末尾，如果需要更多细节，再读取整个文件。
-
Cursor 把完整的聊天历史记录也看做是一个文件。当触发总结时，Agent 会拿到一份摘要，以及一个指向「历史记录文件」的引用。如果 Agent 意识到摘要中缺少某些它需要的细节，它就可以通过搜索这份历史记录文件来找回这些信息。
-
Manus ：一套结构化的可逆、缩减系统
- 通过大量的评估，识别出那个「腐烂前」的阈值非常重要，通常是 12.8 万到 20 万个 Token，并将其作为触发上下文缩减的条件。
- 紧凑化（Compaction） Agent 调用了一个向文件写入内容的工具，这个操作在历史记录中可能包含 path 和 content 两个字段。一旦执行成功，那个可能极其冗长的 content 字段就可以被安全地从上下文中剥离，只保留 path。
- 摘要化（Summarization） 在生成摘要之前，系统会更激进地将整个摘要前的完整上下文，转储（Dump）到一个文本或日志文件中。 相当于给历史创建了一个完整的快照存档。如果模型足够聪明，它甚至能用 grep 或 glob 自己去这个日志里捞数据。
- 通过「紧凑化」（Compaction）剥离可重建信息，以及在「摘要化」（Summarization）之前，将完整的上下文转储（Dump）到日志文件中。实现上下文缩减。
-
Cursor：把工具说明书，全部文件化
- Cursor 的策略，更简单、粗暴。把所有 MCP 工具、Agent Skills 的详细定义，全部都同步到文件夹里，让 Agent 在需要时自己去查阅。
- 索引层，Agent 的系统提示词（System Prompt）里只包含一小部分静态信息，比如 MCP 工具或 Agent Skills 的名称列表。这些工具和技能的详细描述、参数定义、使用方法，则被全部同步到一个本地文件夹中。当模型需要时，Agent 会像一个聪明的程序员一样，进入发现层，用 grep 或语义搜索，主动去文件夹里查找它需要的工具的详细信息，然后拉取到上下文中来处理。
-
两种 Agent 协作模式
-
任务委托模式：「通过通信」实现隔离
- Manus 将这种模式叫做「Agent 即工具」。从主 Agent 视角，它只是调用了 advanced_search 函数，但背后实际上是另一个拥有独立工作流的子 Agent 在执行。
-
信息同步模式：「通过共享上下文」实现协作
- 通过共享上下文来实现协作。子 Agent 被创建时，能够看到主 Agent 完整的先前上下文，包括所有的历史工具调用和观察。但这个子 Agent 拥有自己独立的系统提示词和新的行动空间。
-
-
Cursor 的「Dynamic Context Discovery」，强调：少即是多。Cursor 认为，在最开始提供给模型的细节越少，效果反而越好，因为能让 Agent 更轻松地自行抓取相关的上下文。Manus 的思路是：「少构建，多理解」，避免上下文的过度工程化。上下文工程的目标是让模型的工作变得更简单，而不是更难。
1.2 AI Coding 长文分享：如何真正把工具用起来，从原理到实践
-
Cursor 调用 LLM 的 Prompt
- 它其实跟我们平时写代码调用模型是很相似的，但是在工具调用、上下文获取上都有针对Coding领域非常细节的定制化。
1.3 Openclaw 背后的技术架构，记忆出奇的简洁
-
架构流程 - 六步处理链路：
- Channel Adapter — 标准化不同渠道的消息格式
- Gateway Server — 核心协调器，路由到正确会话
- Agent Runner — 选择模型、组装提示词、管理上下文
- LLM API Call — 流式调用，支持多提供商
- Agentic Loop — 工具调用循环，默认最大 ~20 轮
- Response Path — 返回响应，持久化会话
-
内存系统出乎意料地简单：
- 会话历史：JSONL 文件
- 长期记忆：Markdown 文件（MEMORY.md）
- 检索：SQLite 向量搜索 + FTS5 关键词
- 写入方式：无专门 API，智能体直接用文件写入工具写 Markdown。
- 特点：无记忆合并、无压缩、无遗忘曲线，新会话开始时自动生成上次对话摘要。
1.4 大模型网关：大模型时代的智能交通枢纽｜得物技术
1.5 从 Markdown 到智能体：解密 Clawdbot Skill 插件架构
执行流程全景
- 加载阶段：从 5 个目录收集所有SKILL.md
- 文件解析阶段：提取 frontmatter 元数据和调用策略
- 过滤阶段：根据依赖、环境变量、平台等条件筛选
- 注入阶段：将符合条件的技能格式化后注入 System Prompt
- 执行阶段：AI 根据用户请求，参考技能文档执行相应操作
设计亮点总结
- 声明式定义：用 Markdown + YAML 定义能力，降低了扩展门槛
- 智能过滤：只加载真正可用的技能，避免 AI 产生"幻觉"
- 分层覆盖：支持多级目录，用户可自定义覆盖默认行为
- 渐进式依赖：技能可以声明安装方式，引导用户补齐依赖
- 远程代理：突破单机限制，实现跨设备能力共享
1.6 1.8亿token，Clawdbot是这么吞掉的~
System Prompt 结构分解（约14,000 tokens）
├── 核心身份定义 (~500 tokens)
│ └── "You are Moltbot, a personal AI assistant..."
├── 工具定义列表 (~8,000 tokens) ← 最大开销来源
│ ├── bash工具 (400 tokens)
│ ├── browser工具 (500 tokens)
│ ├── file_system工具 (450 tokens)
│ ├── memory_search工具 (300 tokens)
│ └── ... (20+ 个工具，每个300-500 tokens)
├── Skills元数据 (~1,500 tokens)
├── 引导文件注入 (~2,000 tokens)
│ ├──
AGENTS.md
│ ├──
SOUL.md
│ ├──
TOOLS.md
│ └──
USER.md
├── 运行时元数据 (~500 tokens)
│ ├── 当前时间/时区
│ ├── 主机信息
│ └── 模型配置
└── 回复格式指令 (~1,500 tokens)这个里面暴露的问题就是上面cursor和Manus去解决的问题
1.7 AGENTS.md 在我们的经纪人评估中表现优于其他技能型经纪人 - Vercel — AGENTS.md outperforms skills in our agent evals - Vercel
-
通过
AGENTS.md文件提供的文档索引方法，可以确保 AI 在每次交互时都能访问到相关的文档信息，从而提高了性能。
1.8 OpenAI：一套PG搞定8亿 ChatGPT 用户
2. 项目
2.1 ronitsingh10/FineTune: FineTune, a macOS menu bar app for per-app volume control, multi-device output, audio routing, and 10-band EQ. Free and open-source.
ronitsingh10/FineTune
FineTune, a macOS menu bar app for per-app volume control, multi-device output, audio routing, and 10-band EQ. Free and open-source alternative to SoundSource.
2.2 workany-ai/workany: Desktop Agent for Any Task
workany-ai/workany
Desktop Agent for Any Task
2.3 thedotmack/claude-mem
thedotmack/claude-mem
A Claude Code plugin that automatically captures everything Claude does during your coding sessions, compresses it with AI (using Claude's agent-sdk), and injects relevant context back into future sessions.
2.4 Canner/WrenAI
Canner/WrenAI
⚡️ GenBI (Generative BI) queries any database in natural language, generates accurate SQL (Text-to-SQL), charts (Text-to-Chart), and AI-powered business intelligence in seconds.
2.5 HKUDS/nanobot: “🐈 nanobot: The Ultra-Lightweight Clawdbot”
HKUDS/nanobot
"🐈 nanobot: The Ultra-Lightweight Clawdbot"
2.6 alibaba/OpenSandbox: OpenSandbox is a general-purpose sandbox platform for AI applications, offering multi-language SDKs, unified sandbox APIs, and Docker/Kubernetes runtimes for scenarios like Coding Agents, GUI Agents, Agent Evaluation, AI Code Execution, and RL Training.
alibaba/OpenSandbox
OpenSandbox is a general-purpose sandbox platform for AI applications, offering multi-language SDKs, unified sandbox APIs, and Docker/Kubernetes runtimes for scenarios like Coding Agents, GUI Agents, Agent Evaluation, AI Code Execution, and RL Training.
阿里重磅开源！OpenSandbox：专为 AI Agent 打造的下一代沙箱
2.8 HKUDS/DeepTutor: “DeepTutor: AI-Powered Personalized Learning Assistant”
HKUDS/DeepTutor
"DeepTutor: AI-Powered Personalized Learning Assistant"
2.9 docling-project/docling: Get your documents ready for gen AI
docling-project/docling
Get your documents ready for gen AI
2.10 HKUDS/nanobot: “🐈 nanobot: The Ultra-Lightweight Clawdbot”
HKUDS/nanobot
"🐈 nanobot: The Ultra-Lightweight Clawdbot"
评论