Agent

Blogs LLM Powered Autonomous Agents | Lil’Log - Lilian Weng 关于 LLM Agent 的经典综述，覆盖规划、记忆和工具使用。 Function calling | OpenAI API - OpenAI API 关于函数调用和工具调用的官方文档。 Model Context Protocol - MCP 官方文档，关注模型应用如何连接外部工具、数据和上下文。 A2A Protocol - Agent 与 Agent 之间通信和互操作的协议文档。 Equipping agents for the real world with Agent Skills | Anthropic - Anthropic 关于 Agent Skills 的官方博客，介绍能力封装和按需加载的思路。- The Agent Skills Directory Introduction - Agent Client Protocol - Agent Client Protocol 官方入门文档，定义客户端应用与 Agent 之间的标准交互方式。 Codex 应用服务器 | ChatGPT 学习 - Codex App Server 官方文档，介绍如何把 Codex 作为本地服务接入自定义客户端，支持会话、审批和事件流。 企业级 Agent 多智能体架构与选型指南 – 来自 1000+ 行业应用实践积累 - 面向企业级场景的多智能体架构和技术选型经验。 Projects openclaw/openclaw: Your own personal AI assistant. Any OS. Any Platform. The lobster way. 🦞 NousResearch/hermes-agent: The agent that grows with you bytedance/deer-flow: An open-source long-horizon SuperAgent harness that researches, codes, and creates. With the help of sandboxes, memories, tools, skill, subagents and message gateway, it handles different levels of tasks that could take minutes to hours. ultraworkers/claw-code: An agent-managed museum exhibit, built in Rust with Gajae-Code / LazyCodex — developed and maintained with no human intervention. openai/codex: Lightweight coding agent that runs in your terminal multica-ai/multica: The open-source managed agents platform. Turn coding agents into real teammates — assign tasks, track progress, compound skills.

Agent：从 Prompt Pattern 到 Agent Runtime 如果用 2023 年的视角看 Agent，经典结构通常是 Planning、Memory、Tools。这个划分没有错，但放到 2026 年已经不够了。 今天更准确的理解是： Agent 不是“一个会调用工具的大模型”，而是一个由模型驱动、可以感知上下文、调用工具、维护状态、接受约束、可观测、可恢复的运行时系统。 可以把现代 Agent 拆成七个部分： 层次 负责什么 Model 推理、生成、工具选择、结构化输出 Instructions 角色、目标、边界、业务规则 Context 当前任务、历史状态、检索结果、用户偏好、文件和工件 Tools 函数、API、数据库、代码执行、浏览器、MCP Server、其他 Agent Runtime 循环调度、流式输出、重试、暂停恢复、并发、检查点 Policy 权限、审批、沙箱、预算、速率限制、输入输出校验 Observability trace、评测、日志、成本、延迟、失败分析 这也是为什么早期的 Prompt Pattern 文章会显得“旧”：它们解释了 Agent 的思想来源，但没有覆盖生产系统真正困难的部分。 1. 经典结构仍然成立，但只能算基础层 经典 Agent 通常被拆成三块： Planning：把复杂目标拆成步骤。 Memory：保存任务相关上下文。 Tools：让模型能影响外部世界。 这个模型适合入门，但在真实系统里会遇到几个问题： Planning 不能只靠模型自由发挥，需要运行时约束、检查点和失败恢复。 Memory 不能只理解成上下文窗口，需要区分会话状态、长期记忆、检索知识库、文件工件。 Tools 不能只理解成 function calling，需要认证、授权、审批、沙箱、超时、幂等和审计。 Multi-Agent 不能只理解成“多个角色聊天”，需要明确的路由、状态边界和责任归属。 生产环境必须有 trace、eval、guardrail、成本和延迟控制。 所以本文的重点不是否定经典范式，而是把它们放回正确的位置：经典范式是 Agent 的思想基础，现代 Agent Runtime 才是工程架构。 ...