1. 文章
1.1 为 LLM Agent 编写工具的实战指南：来自 Anthropic 的内部经验（精华版）
-
比如我们内部的"日程安排工具"，不是简单包装"创建事件"的 API，而是整合了"查空闲时间"“订会议室"“附上次会议笔记"三个功能 —— LLM 代理用一次调用就能完成任务，比拆成三个工具高效得多。这也是我们常说的：“对代理友好的工具，对人类也往往很直观”。
-
写高效工具的 5 个原则
- 工具要"少而精”，别贪多
- 命名要"明确”，别让代理猜。当工具功能重叠或目的模糊时，代理可能会混淆该使用哪些工具。命名空间化（将相关工具归入共同前缀下）有助于区分大量工具；MCP 客户端有时会默认这样做。
- 返回的内容要"有意义"，别给垃圾。在设计工具实现时，应谨慎地只向代理返回高信噪比的信息。这意味着工具应优先考虑信息的上下文相关性，而非过度追求灵活性。代理更容易成功地处理自然语言的名称、术语或标识符
- 优化 token 消耗：别让工具占满上下文。另外，我们还会优化工具响应的格式——比如用 JSON 格式比 XML 格式更省 token，因为 JSON 更简洁，更符合 LLM 的训练数据格式。
- 对工具描述做提示工程：像给新人讲工具一样。工具描述是代理了解工具的"窗口"，所以要写得"明确、具体、无歧义"。
1.2 怎么做 Long-running Agents，Cursor、Anthropic 给了两种截然不同的思路
-
Cursor 构建了一个完全扁平化的系统，在这个系统里，所有 Agent 地位平等，通过访问一个共享文件来进行自我协调。
- 从前两次的失败中汲取教训后，Cursor 决定彻底摒弃扁平化的结构，创建一个职责分明的流水线式协作体系，其中包含三个核心角色：
- 规划者（Planner）：这个角色的定位类似于团队中的架构师或技术负责人。核心职责不是写代码，是持续地探索和分析整个代码库，理解项目需求。可以为特定的代码模块派生出「子规划者」，让规划过程本身也能实现并行化；
- 工作者（Worker）：这个角色是团队中的主力工程师，是纯粹的执行者。从任务池中领取一个任务，然后心无旁骛地完成它。不需要与其他「工作者」进行任何形式的沟通或协调，也完全不必关心项目全局。它们只是专注于执行分配给自己的任务，直到完成，然后提交代码。
-
Claude Code通过引入一个类似人类团队的分工协作机制，将复杂任务拆解成小的可跟踪验证的任务，清晰的交接机制，并且严格验证任务结果。
-
第一步，需要在初始环境中搭建好提示词要求的全部功能基础，让 Agent 能按步骤、按功能推进。
-
第二步，每次会话中的 Agent 必须每次推进一小步，同时将环境保持在「干净状态」。即能随时安全合并到主分支：没有明显 bug、代码整洁、有清晰文档，开发者随时可以继续加新功能。
- 按照这种思路，Anthropic 给 Claude Agent SDK 设计了一个双 Agent 方案：
- 初始化 Agent（Initializer Agent）第一次会话用一个专门提示词，让模型设置初始环境：生成 init.sh 脚本、claude-progress.txt 工作日志文件，以及一个初始 Git 提交。
- 编码 Agent（Coding Agent）在后续会话中接手工作，每次只推进一小步，并为下一轮工作留下清晰信息。
1.3 AI Agent 记忆系统：从短期到长期的技术架构与实践
-
对“记忆”的定义有两个层面：
- 会话级记忆：用户和智能体 Agent 在一个会话中的多轮交互（user-query & response）
- 跨会话记忆：从用户和智能体 Agent 的多个会话中抽取的通用信息，可以跨会话辅助 Agent 推理
-
长期记忆的信息从短期记忆中抽取提炼而来，根据短期记忆中的信息实时地更新迭代，而其信息又会参与到短期记忆中辅助模型进行个性化推理。
-
短期记忆存储会话中产生的各类消息，包括用户输入、模型回复、工具调用及其结果等。
- 核心特点：存储会话中的所有交互消息（用户输入、模型回复、工具调用等）直接参与模型推理，作为 LLM 的输入上下文实时更新，每次交互都会新增消息受模型 maxToken 限制，需要上下文工程策略进行优化
-
长期记忆与短期记忆形成双向交互：一方面，长期记忆从短期记忆中提取“事实”、“偏好”、“经验”等有效信息进行存储（Record）；另一方面，长期记忆中的信息会被检索并注入到短期记忆中，辅助模型进行个性化推理（Retrieve）。
- 与短期记忆的交互：Record（写入）：从短期记忆的会话消息中提取有效信息，通过LLM进行语义理解和抽取，存储到长期记忆中Retrieve（检索）：根据当前用户查询，从长期记忆中检索相关信息，注入到短期记忆中作为上下文，辅助模型推理
-
狭义的上下文工程特指对短期记忆（会话历史）中各种压缩、摘要、卸载等处理机制，主要解决上下文窗口限制和 token 成本问题；
-
广义的上下文工程则包括更广泛的上下文优化策略，如非运行态的模型选择、Prompt 优化工程、知识库构建、工具集构建等，这些都是在模型推理前对上下文进行优化的手段，且这些因素都对模型推理结果有重要影响。
-
短期记忆的上下文处理，主要有以下几种策略：
- 上下文缩减（Context Reduction）上下文缩减通过减少上下文中的信息量来降低 token 消耗，主要有两种方法：1. 保留预览内容：对于大块内容，只保留前 N 个字符或关键片段作为预览，原始完整内容被移除2. 总结摘要：使用 LLM 对整段内容进行总结摘要，保留关键信息，丢弃细节
- 上下文卸载（Context Offloading）上下文卸载主要解决被缩减的内容是否可恢复的问题。当内容被缩减后，原始完整内容被卸载到外部存储（如文件系统、数据库等），消息中只保留最小必要的引用（如文件路径、UUID 等）。当需要完整内容时，可以通过引用重新加载。优势：上下文更干净，占用更小，信息不丢，随取随用。适用于网页搜索结果、超长工具输出、临时计划等占 token 较多的内容。
- 上下文隔离（Context Isolation）通过多智能体架构，将上下文拆分到不同的子智能体中（类似单体拆分称多个微服务）。主智能体编写任务指令，发送给子智能体，子智能体的整个上下文仅由该指令组成。子智能体完成任务后返回结果，主智能体不关心子智能体如何执行，只需要结果。适用场景：任务有清晰简短的指令，只有最终输出才重要，如代码库中搜索特定片段。优势：上下文小、开销低、简单直接。
1.4 从 ReAct 到 Ralph Loop：AI Agent 的持续迭代范式
-
核心思想：同一个提示反复输入，让 AI 在文件系统和 Git 历史中看到自己之前的工作成果。这不是简单的“输出反馈为输入”，而是通过外部状态（代码、测试结果、提交记录）形成自我参照的迭代循环。其技术实现依赖于 Stop Hook 拦截机制。
-
Ralph Loop 让大语言模型持续迭代、自动运行直到任务完成，而不在典型“一次性提示 → 结束”循环中退出。这种范式已经被集成到主流 AI 编程工具和框架中，被一些技术博主和开发者称作“AI 持续工作模式”。
-
智能体被定义为“在循环中运行工具以实现目标的 LLM 系统”。这种定义强调了三个关键属性：
- LLM 编排的推理能力：智能体能够根据观察结果进行推理和决策工具集成的迭代能力：
- 智能体可以调用外部工具并基于工具输出调整行为
- 最小化人工监督的自主性：智能体能够在有限指导下自主完成任务
-
常规 Agent Loop 通常更通用：用于决策型 agent，可以根据多种状态和输入动态调整下一步操作。ReAct 模式适合需要动态适应的场景，Plan-and-Execute 模式适合结构化任务分解。
-
Ralph Loop 更像是自动驱动的 refine-until-done 模式：重点是让模型在固定任务上不断修正输出直到满足完成条件。它通过外部强制控制避免了 LLM 自我评估的局限性。
-
常规智能体的一个核心痛点是“上下文腐烂（Context Rot）”——随着对话轮次的增加，LLM 对早期指令的注意力和精确度会线性下降。Ralph 循环通过“刷新上下文”解决了这一问题：
- 每一轮循环可以看作是一个全新的会话，智能体不再从臃肿的历史记录中读取状态
- 智能体直接通过文件读取工具扫描当前的项目结构和日志文件
- 这种模式将“状态管理”从 LLM 的内存（Token 序列）转移到了硬盘（文件系统）
-
在典型的 Ralph 实现中，智能体会维护以下关键文件：
- progress.txt：一个追加形式的日志文件，记录了每一轮迭代的尝试、遇到的坑以及已经确认的模式。后续迭代的智能体会首先读取该文件以快速同步进度。
- prd.json：结构化的任务清单。智能体每完成一个子项，就会在该 JSON 文件中标记 passes: true。这确保了即使循环中断，新的智能体实例也能明确接下来的优先级。
- Git 提交记录：Ralph 循环被要求在每一步成功后进行提交。这不仅提供了版本回滚能力，更重要的是，它为下一轮迭代提供了明确的“变更差分”（Diff），让智能体能够客观地评估现状。
1.5 Agent 真正的护城河，正在从工具转向记忆资产
- 从成本和模型能力上来看，上下文和 RAG 背后有三类硬约束。
- 让所有模型、所有 agent 都具备记忆能力，让记忆成为各个场景中的通用基础设施。
- 既能服务上层多种 Agent/应⽤，也能适配下层模型的快速迭代，⽽不是被锁死在某个⼊⼝体验⾥。
1.6 7个神级技巧，彻底去除网站的 AI 味儿！ - 鱼皮AI导航
推荐的AGENTS.md
# 项目设计规则（AGENTS.md）
## 角色设定
你是一位资深独立设计师，专注于 "反主流" 的网页美学。
你鄙视千篇一律的 SaaS 模板，追求每个像素都有温度。
## ❌ 绝对禁止项
### 配色禁止
- 紫色/靛蓝色/蓝紫渐变（#6366F1、#8B5CF6）
- 纯平背景色（必须有噪点纹理或渐变）
- Tailwind 默认色板
### 布局禁止
- Hero + 三卡片布局
- 完美居中对齐
- 等宽多栏（必须不对称）
### 文案禁止
- 高深的专业名词和无意义的空话
- Lorem Ipsum 占位文本
- 被动语态和长句
### 组件禁止
- Shadcn/Material UI 默认组件（必须深度定制）
- Emoji 作为功能图标
- 线性动画（ease-in-out）
## ✅ 必须遵守项
### 文案风格
- 口语化，像朋友聊天
- 具体化，有数字和场景
- 可以幽默、自嘲、甚至挑衅
- 每句话不超过 15 个字
### 图片系统
- 图标：使用 Iconify 图标库（https://iconify.design）
- 占位图：使用 Picsum Photos（https://picsum.photos）
- 真实图片：使用 Pexels 搜索（https://www.pexels.com）
- 插画：使用 unDraw（https://undraw.co）2. 项目
2.1 op7418/NanoBanana-PPT-Skills: NanoBanana PPT Skills 基于 AI 自动生成高质量 PPT 图片和视频的强大工具，支持智能转场和交互式播放
op7418/NanoBanana-PPT-Skills
NanoBanana PPT Skills 基于 AI 自动生成高质量 PPT 图片和视频的强大工具，支持智能转场和交互式播放
独一份！带动效的 PPT 生成 Agent！使用教学&创作思路 通过 Nano Banana Pro 模型生成图片，并可选导出带转场的视频演示与网页演示界面。
2.3 agentscope-ai/OpenJudge：OpenJudge：一个用于整体评估和质量奖励的统一框架 — agentscope-ai/OpenJudge: OpenJudge: A Unified Framework for Holistic Evaluation and Quality Rewards
agentscope-ai/OpenJudge
OpenJudge: A Unified Framework for Holistic Evaluation and Quality Rewards
2.4 pipipi-pikachu/pptxtojson: Office PowerPoint(.pptx) file to JSON | 将 PPTX 文件转为可读的 JSON 数据
pipipi-pikachu/pptxtojson
Office PowerPoint(.pptx) file to JSON | 将 PPTX 文件转为可读的 JSON 数据
2.5 pipipi-pikachu/PPTist: PowerPoint-ist（/‘pauəpɔintist/）, An online presentation application that replicates most of the commonly used features of MS PowerPoint, allowing for the editing and presentation of PPT online. Support AIPPT.
pipipi-pikachu/PPTist
PowerPoint-ist（/'pauəpɔintist/）, An online presentation application that replicates most of the commonly used features of MS PowerPoint, allowing for the editing and presentation of PPT online. Support AIPPT.
2.6 gitbrent/PptxGenJS: Build PowerPoint presentations with JavaScript. Works with Node, React, web browsers, and more.
gitbrent/PptxGenJS
Build PowerPoint presentations with JavaScript. Works with Node, React, web browsers, and more.
评论