Agent 系统与 LLM 基础设施
01 技术研究报告
- 01 AI 智能体长期记忆：Memory Bank AI agent long-term memory with memory bank · Google Cloud Tech · 中文讲座报告 以 15 张视频关键帧与英文人工字幕重建讲座实况：让智能体在数天乃至数周内保持一致、具备上下文感知。 →
- 02 AI Harness 深解：把黑箱模型拴在稳定的现实上 Harnesses in AI: A Deep Dive · Tejas Kumar（IBM）· AI Engineer 大会 · 中文讲座报告 一句话主线：可靠性不来自“把提示词写得更用力”，而来自把不确定的黑箱模型，锚定在一个由确定性组件构成的稳定外壳（harness）里。 →
- 03 在 Google Cloud 上使用 Claude 构建应用 Building with Claude on Google Cloud · Code w/ Claude 2026 · 中文技术知识库 →
- 04 编码 Agent 的运行中输入调度：中断、引导与排队 一句话主线：当编码 Agent 正在连续读文件、改代码、跑命令、调子 Agent 时，用户新敲下的一句话“何时、以何种方式”成为当前决策的一部分，才是决定交互质量与安全性的核心运行时协议——而不是那个输入框本身。 研究方法：只用第一方或接近第一方的技术资料（主仓库源码、测试、官方文档、变更日志、官方问题跟踪器），不以聚合博客或论坛帖子作为机制性结论依据。 →
- 05 闭源前沿模型的参数规模估计 结论：OpenAI 与 Anthropic 均未公开这些闭源模型的真实总参数量、MoE 专家数或每 token 激活参数量。下文数字是基于官方信息、Reuters/FT、LifeArchitect 参数估计、2026 年最新 IKP 黑箱测量，以及已公开的 Kimi K3 等 MoE 架构进行的综合推断（INFERENCE）。 →
- 06 GPT-5.6 Sol 的推理等级与路由机制：官方能证明什么，什么仍不可知 研究对象 · ChatGPT 网页版标准对话中的 GPT-5.6 Sol、智能自动切换、推理等级与相关路由 / 回退机制 一句话主线：ChatGPT 里的「智能、极速、中、高、极高」不是同一个模型的几个推理档；把它们讲清楚，需要同时区分模型层级、推理强度、执行模式和路由策略——并对每一条结论标注它到底有多硬的证据。 →
- 07 详解 Kimi K3：冲击前沿的开放权重模型 "开源了权重，没开源产生权重的'流水线'。"——晚点LatePost 原文题记 →
- 08 大语言模型训练资源需求分析 一句话结论：模型参数量只告诉我们权重文件有多大；训练系统还必须同时管理梯度、优化器状态、反向传播所需的激活值、通信缓冲区和临时工作区。因此，“训练资源约为模型参数存储规模六倍”只能作为快速筛查的 heuristic（启发式），不能当作与精度、优化器和框架实现无关的定律。 大语言模型（Large Language Model，LLM）的规模从早期的百万级、亿级参数扩展到数百亿乃至数千亿参数。Transformer 的并行计算结构、更多训练 →
- 09 Pi Agent Runtime Agent、Harness 与 Coding Agent 编排架构的源码级研究报告。 →
- 10 Prompting 101：与 Claude 一起构建提示词 Prompting 101 | Code w/ Claude · Anthropic · 中文讲座报告 以 31 张视频关键帧与完整英文自动字幕重建讲座实况：一个瑞典车险理赔场景，五轮提示词迭代，一套十要素清单。 →
- 11 大语言模型智能体记忆系统架构剖析与技术设计 基于 Hugging Face 官方深度技术讲解视频，对开源记忆框架 Mem0 进行解剖，系统阐述工业级 Agent 长期记忆系统的三层混合存储架构、记忆摄入与检索两条核心流水线，并详细解析结合向量相似度、BM25 词形重叠及实体加权的混合重排算法与全链路开源离线选型方案。 →