云开一隙，文章将至。
用一次报销文档查询，串起资料解析、分块、索引、召回、融合、重排、证据组织、RAG 进阶与分层评测。
多 Agent 怎样分工、交接和汇总，编码工具怎样观察与修改代码，浏览器和电脑操作怎样确认真正成功。
区分八类缓存，解释命中与上下文的关系，再用 Logs、Metrics、Trace 和延迟指标找出时间花在哪里。
区分认证、授权、单次批准和沙箱，说明外部资料为何不能授予权限，再把任务验收、测试、评测和发布术语串起来。
今天看到了 Claude 的一篇文章，介绍重新设计后的 Claude Code Projects。 我觉得这个功能挺有意思：它在 Claude Code Session 之上增加了一个项目级 Coordinator（协调 Agent），用统一的项目对话来管理多个独立的 Claude Code Session。 用户只需要在一个对话框里持续提出需求，Coordinator 就可以根据任务情况创建或复
最近 GPT-6.1 Sol 实在是有点慢，想着既然要等那么久，不如换 Kimi 试试，刚好搭配 Kimi Code 用了一下。 用的过程中发现，Kimi Code 的 设计和 Codex 不太一样。 Codex 主要采用 ，让模型通过 Patch 描述文件修改；而 Kimi Code 用的是传统的 字符串替换。 另外还有一个让我感兴趣的设计：Codex 在 GPT-6 Astra 上就已经使用
一、引子：大模型的三种用法 在聊 Agent Loop 之前，我们先退一步，看看”使用大模型”这件事本身有几种模式。这对理解”为什么需要循环”至关重要。 模式 1：直接调用 —— “模型，回答我” 最原始、最直觉的用法。你构建好提示词，调用一次 API，拿到结果，完事。 核心工作在于”构建提示词” 。提示词写得好，结果就好。一次调用，一次输出，没有来回。 适用场景：翻译、摘要、问答、代码补全——凡
Pi Agent 给人的一个错觉是，它好像记得整个项目。 你让它读文件、跑测试、修改实现，再回头问它为什么这样改，它通常还能接上前面的工作。但打开源码会发现，Pi 并没有给模型一块无限记忆。每次调用模型之前，它都会从会话、工具结果、项目规则和当前输入里，重新裁出一份可以发送的消息。 所以真正值得研究的问题不是模型能记住多少，而是这一轮请求发出之前，Pi 决定让模型看到什么，又把什么留在了上下文之外
在 Pi Agent 的工具系统中，工具的抽象和执行机制是整个架构的核心。本文系统梳理工具定义的三层类型、调用时的五步管道、并行执行策略，以及错误处理的特殊设计。 一、三层类型：为什么”一个工具”要分三层来定义？ 在 Pi Agent 里，一个完整的工具定义被拆成了三层，目的是让不同层职责清晰、扩展性强： 第一层：Tool（一张”名片”） 这是最基础的一层，只定义工具的基本信息： - toolNa
在 Pi Agent 的工具系统中，Operations 抽象 是核心设计之一。它把工具的执行逻辑与具体文件系统实现解耦，让 Agent 可以在本地、SSH、Docker 等不同环境中灵活切换。 本文主要分享工具架构的核心设计思路，包括抽象接口、依赖注入、闭包固定实例，以及 Workspace 切换机制。 为什么不直接使用 Node.js fs？ 很多人第一反应是直接调用 ： 这种写法存在几个明显