- 博客(102)
- 收藏
- 关注
原创 DeepSeek SuperAgent 设计解析:多任务调度、事件订阅与持续运行
但接下来还可能发生更多事情:登录问题的修复需要新的日志,导出功能的测试出现失败,代码评审又提出了修改意见。可过一会儿,你又得逐个查看进度,把新要求转发到对应会话,再把测试结果送给正在修改代码的 Agent。提供的学习材料进一步讨论了计算、状态与执行环境分离的设计:计算服务负责模型推理和调度,持久状态保存任务记录,执行环境保留文件、命令和运行进程。用户需要看到的是各自等待的对象,以及可以采取的操作。对于新的工作候选,系统需要先检查准入条件,再根据请求性质和策略完成评估,接受之后才创建 Ticket。
2026-11-15 17:27:30
354
原创 如何把 Pi-agent 接入自己的项目?理解 SDK 分层、扩展机制与业务接入
做选择时,我更关注几个具体问题:历史由哪个模块保存,权限在什么位置检查,哪些信息能够进入模型请求,以及谁依据什么证据确定任务完成。例如,“所有要求的测试通过,修改证据已经保存,审核已经通过”可以构成某类任务的完成条件。读取文件、查询数据库这样的实际操作,需要程序调用具体工具完成。另一种需求是:已经在使用 Pi 的运行环境,希望增加业务工具、自定义命令,或者在工具执行前检查操作。因此,视频案例所展示的接入方式具有明确的设计理由:项目希望自行决定会话、上下文与验收规则,同时复用通用模型通信和执行循环。
2026-11-15 12:00:12
294
原创 Matt Pocock 的 Home Repo 模式:让 Agent 从同一个仓库启动
验证导航是否有效,可以从 Home Repo 开启新会话,让 Agent 根据一个明确需求找到相关仓库,并说明将读取哪些仓库规则、采用哪些工作目录、运行哪些已有验证。例如,入口文件只列出支付、商城和内部工具几个领域,再由对应的 Markdown 文件列出该领域的仓库路径。共享说明可以要求 Agent 完成测试,真正告诉它该运行什么命令、使用什么测试环境的,通常是目标仓库自己的文档。接下来,Agent 需要读取两个仓库的相关代码与文档,确认接口已有的数据结构、前端使用方式,以及两边分别需要修改什么。
2026-11-14 22:53:18
361
原创 拆解 DeepSeek SuperAgent 的消息采集,消息明明发出去了,Agent 为什么没回应?
系统查看机器人账号的通知、已订阅的 Issue 和 Pull Request,并在相应配置开启时观察仓库里的新 Issue、评论或默认分支的持续集成状态。没有进行中工作的讨论,根据最近活动和工作结束时间,采用 14 天的轮询范围。下一轮先把已经保存的失败项加入处理集合,再加入新通知对应的项目,分别尝试读取。怎样安排,需要先看这个读取位置管理的范围。正常的重复读取可以继续进行,系统也能够把它与真正的读取错误分开处理。对于行内评审意见,代码会把文件路径、行号和附近的差异内容带进正文,保留理解评论所需的信息。
2026-11-13 20:46:00
420
原创 AI 文字水印藏在哪里?理解 KGW、Aaronson 与 SynthID-Text
同时,文本中的特殊字符也可能来自正常的排版和输入过程,仅凭一个看不见的字符,无法认定文章由 AI 生成。对于完整序列,还需要处理重复上下文:论文中的重复上下文屏蔽机制,会在上下文已经被使用过时跳过该位置的水印操作,减少重复偏置。检测器只要知道相同的分组设置,就能够根据待测文本的前文,重新计算每个位置的分组。对于根据短上下文计算信号的方案,替换一个 Token,会改变这个位置的检测分数,也可能改变随后若干位置的上下文。随后,算法根据密钥、最近的上下文、候选项本身和当前层数,为候选项计算一个分数。
2026-11-03 22:47:19
464
原创 Personal Agent 的主动性从哪里来?从发现问题到决定执行范围
来源文章中的知识整理案例,也表达了类似的变化:用户说明学习目标和内容验收条件以后,系统能够依据更明确的要求整理材料。对于“业务已经验收”这样的条件,还需要找到对应的验收结论,单靠代码已经提交无法完成判断。因此,描述一个 Personal Agent 时,可以把具体行为说完整:“它根据长期项目目标发现遗漏,起草处理建议,由用户确认后发送。在这个范围内,Agent 可以为已有概念新增经过检查的解释,写入以后再读取结果,确认内容、引用和保存位置符合要求。发现问题时使用的依据,尚未覆盖执行阶段的全部条件。
2026-11-03 19:31:40
426
原创 读懂 DeepSeek Super-agent:Agent 如何获取业务背景、协调任务并持续执行
这需要建立相应联系。GitHub 上的一条 Issue、一项 Pull Request 的讨论,以及飞书中的一个话题,可以成为系统组织消息的单位。评估这类系统时,可以分别检查它已经接入的信息来源、任务关系维护方式、授权规则、状态恢复能力和人工处理入口,再判断它能否支持自己的业务场景。在常见的单会话工作方式中,Agent 主要承担执行者的角色:接收目标和背景,调用工具调查问题,再根据得到的信息行动。当系统同时跟进优惠券、支付故障和订单状态调整时,既需要了解这些任务的关系,也需要有人深入调查每个任务的细节。
2026-11-02 22:41:11
93
原创 AI 写得比你读得快,Code Review 应该怎么做?
对于后台导出功能,审批者应该能够解释:会话清理的目的是什么,任务继续执行依据什么规则,权限撤销如何处理,以及现有测试分别验证了哪些环节。后台导出发布后,可以按预先确定的范围和观察周期检查:导出失败率、异常中断原因、不同任务时长的完成情况,以及用户重新登录后的下载结果。同时补充对应的自动化用例:任务开始后触发会话到期,再验证任务是否继续执行,以及下载时是否重新检查权限。对后台导出功能而言,审查流程的效果可以通过实际记录判断:长时间任务是否保持完成,越权下载是否被拒绝,审查遗漏是否减少,异常发生后多久恢复。
2026-10-23 20:07:33
231
原创 Matt Pocock 的 Agent 开发工作流:用 /implement-spec、/pr、/retro 完成实现、审查与复盘
worktree 是同一个 Git 仓库的额外工作目录,每个目录可以检出自己的分支,方便不同任务同时修改各自的文件副本。负责调度的 Agent 可以先安排探索工作,查看相关代码和文档,把发现保存为各执行者能够读取的资料。恢复源码以后,已经删除的数据和已经发送的消息仍然需要相应处理。对于订单导出功能,spec 至少要写清楚日期边界、状态含义、导出字段、权限限制,以及没有匹配订单时的结果。每个执行者确认自己的 worktree 基于集成分支,实施指定 ticket,再把集成分支的最新修改合并到自己的任务分支。
2026-10-10 22:52:37
550
原创 资深工程师如何思考系统设计:从请求变慢到架构取舍
另外,Redis 用于会话、缓存和任务队列时,各类数据的保存要求也需要分别考虑。例如一套业务主要按照用户标识访问数据,设计评审时就需要具体确认:用户相关记录如何归属同一个分片,后台全局统计如何执行,热点用户如何影响所在分片,以及扩容期间如何保持查询与修改行为正确。队列提供了等待与调度的位置,任务实际需要消耗的资源仍然必须满足业务要求。讨论容量时,需要明确请求到达速度、每次请求需要完成的工作,以及允许的响应时间。增加实例时,需要一起计算数据库能够承受的总连接数量,另外保留管理、后台任务等用途所需的连接。
2026-10-10 20:24:07
268
原创 AI 辅助编程:怎样把完成的功能变成自己的开发经验
这个推演依赖多个条件:两次请求表达同一个业务意图,标识保持一致,后端去重记录仍然有效,重复处理不会再次执行订单创建,并且记录与订单写入之间具备一致性保证。如果后端执行的是“先查询是否存在,再创建订单”,两个执行过程可能都在查询时看见记录不存在,随后分别进入创建流程。这也帮助我们确定“理解债务”的范围:在需要负责的功能中,那些已经影响判断、修改或维护,却仍然没有查清的必要知识。“第一次写入已经提交,第二次请求携带相同去重标识,因此后端应返回已有订单,订单数量保持一笔”就包含了可以核查的条件和结果。
2026-10-02 20:44:36
337
原创 Agent 评测与调优:从 Trace 检查到反馈回流
它们不是与五类 Eval 平行的新体系,而是更具体的检查问题:例如“事实可靠性”和“证据充分性”属于 Evidence,“逻辑闭合”和“工具使用合理性”属于 Trajectory,“交付格式”属于 Outcome。本文用“阅读三份材料并撰写分析”的假设任务,讲清如何检查执行过程、建立可回归的评测、让失败回到正确的改进环节,并把资源预算纳入交付标准。指一次任务中可核查的执行记录,例如任务约束、工具调用与返回状态、引用的材料位置、关键决策、重试和停止原因。审计意见应能指向可检查记录,且重试次数要受预算约束。
2026-10-02 20:23:12
226
原创 从 Agent Runtime 到桌面产品:用 Folio 理解 TypeScript + Electron 全栈承载
因为用户需要的还有稳定的交互入口、可恢复的会话、能解释失败的界面,以及离开开发环境后仍能运行的安装包。第四板斧让这些逻辑拥有稳定的进程边界、可恢复的数据、可解释的界面状态和可交付的安装形态。产品需要保留“已完成”和“未完成”的边界,用户才知道应该相信哪部分结果、是否继续等待或重试。为了讨论职责,我们仍可以把 Main、Preload、Renderer 称为“三层”,但不宜把它们说成“三个进程”。Electron 的。Preload 的白名单限制“能调用什么”,Main 的重验证限制“传来的内容是否合法”;
2026-10-02 20:21:47
401
原创 Agent 第一板斧:场景材料、RAG、工具接入与权限边界如何设计
本文用一个企业知识助手的例子,梳理材料、RAG、知识地图、工具接入与权限边界的设计顺序。对订单例子,实际处理可以分为三个输入:从规则文档检索“退款条件”,从订单系统查询“当前状态”,再将两者放在同一判断过程里。若文档说“未发货可申请”,而订单系统返回“已发货”,答案就必须依当前事实说明不满足该条件,而不是只复述检索片段。**有了它,后续的推理编排、评测和调优才有稳定的基础。外部系统至少要检查:当前用户是谁、能操作哪笔订单、金额和理由是否有效、是否需要用户确认,以及该工具是否具备写权限。
2026-10-01 22:53:19
179
原创 AI Agent 能力编排:从单 Agent Loop 到多 Agent 分工
本文以“阅读多份材料并写出有证据的分析”为贯穿示例,讲清单 Agent 的执行机制、各模块的职责边界和多 Agent 的升级条件。工具返回“无权限”,这不是可忽略的日志,而是新的事实:此时它不能宣称完成了三份材料的比较。回到最初的问题:可靠的 Agent 系统,先要有材料、工具与权限,再用 Loop 把观察和行动接起来;因此,任务推进时应保留足够的可观察信息:关键动作、工具结果、状态变化、结论对应的证据,以及停止原因。它读取材料,形成初步判断,发现证据缺口后再次检索,直到满足交付条件,或确认现有材料不足。
2026-10-01 22:51:44
572
原创 从 0 到 1 理解 DeepSeek Harness:Agent 为什么不只是一个大模型
它们都在模型之上构建了不同的 Harness,决定了 Agent 能调用什么工具、如何管理上下文、怎样处理失败,以及是否支持子 Agent 和工作流。本文不把 DeepSeek Harness 当成一个单纯的产品教程,而是沿着一条主线理解它:为什么需要 Harness,它如何组织 Agent 的能力,以及我们该如何选择不同的运行模式。它可能要求 Agent 先扫描项目,再搜索相关代码,修改多个文件,执行测试,读取报错,继续修复,最后给出变更说明。因此,兼容接口的其他模型也可以接入 Harness。
2026-09-28 22:55:27
361
原创 从 12 行代码读懂 Pi Agent:核心 API、三层架构与工具调用
如果模型决定使用工具,它会先给出工具调用,SDK 执行工具、把结果交回模型,模型再决定下一步;建立模型与认证的管理对象。请留意第 4 步:工具调用是可选的,实际事件数量、顺序取决于模型这次做出的决定。在 Web 服务中,还要自行设计每段对话的标识、存储和访问隔离,不能把“使用内存模式”误认为已经完成多用户持久化。**Runtime 是本文的职责分组,**指会话创建时依赖的一组运行时组件,并非需要额外实例化的单一。理解三层职责后,可以做一个小实验:把第一节的订阅回调替换为下面这段,再把提问改为读取项目的。
2026-09-27 23:53:31
300
原创 Pi Agent SDK 入门:配置模型,跑通第一个流式 Agent
想把 Agent 接进自己的应用,第一步不是研究所有扩展接口,而是确认三件事:程序能找到模型、能发出问题、能收到回复。要做资料中的数据分析助手,下一步才是定义数据查询工具、确定工具能访问哪些数据,再观察一次“模型请求工具 → 工具返回结果 → 模型继续回答”的链路。看下图的两条输入:Pi 已带有 DeepSeek 模型信息,当前终端再提供凭据,模型运行环境才能把相应模型列入可用列表。版本更新时,先对照对应版本的文档,再调整示例。成功时,程序会先打印实际选中的模型标识,再输出模型生成的文字。
2026-09-26 22:57:48
194
原创 编程 Agent 如何保存、回退和分叉对话?以 Pi 会话树为例
模型处理一次请求时,需要的是一组按顺序排列的消息。而且当用户回到旧提问改试另一条路时,一个只会在末尾追加的线性数组也无法同时表达“两条尝试都保留,当前只继续其中一条”。调试一个问题时,你可能让 Agent 先检查方案 A,发现方向不对,又回到先前的提问改试方案 B。的会话实现为例,沿着一段假设的调试过程,讲清对话如何落盘、长出分支,以及怎样重新变成当前模型可用的上下文。重新打开已有会话时,Pi 读取 JSONL,检查 Header,必要时迁移旧版本,然后用。回退和保存一条新分支,是两个不同的时刻。
2026-09-26 22:50:51
490
原创 Pi 的上下文压缩机制:长对话如何保留关键信息
麻烦出在切点位于同一轮的中途:例如第 4 条用户消息提出任务,第 5、6 条已完成部分工作,第 7 条助手消息及之后的结果需要原样保留。本文以 Pi 的上下文压缩源码为例,说明它何时压缩、如何选择保留的消息,以及摘要怎样进入后续请求。:窗口为 200K token,当前历史占 185K,其中较早的消息占 135K,近期消息占 50K。若把旧消息写成 10K 的摘要,同时保留近期消息,下一次构造的上下文约为 60K。若把工具结果留在上下文中,却把对应的工具调用压进摘要,模型会看到一条缺少来由的结果。
2026-09-25 22:29:20
918
原创 读懂 Pi Agent 事件系统:session.subscribe 与 pi.on 如何分工
如果在工具执行代码里直接添加日志,记录逻辑就和 Agent 的执行流程绑在一起。在模型调用前取得消息列表,返回过滤后的列表。emitContext()这两个需求都与事件有关,但前者只需观察,后者必须在执行前取得决策权。它们也不是由那十种内核事件直接发出的:SDK 在执行工具前、请求模型前等决策点主动调用扩展处理函数。的处理没有在运行器内吞掉异常,错误会转成这次工具调用的失败结果,使工具不会被放行。的区别,再用工具调用和上下文改写演示如何选用。底层注册实现是把函数加入对应事件名的处理列表,派发时再逐个调用。
2026-09-24 21:37:18
372
1
原创 从 ToolCall 到 ToolResult:拆解 Pi Agent 的工具执行链
例如,读文件偏移超界时,说明“请求从第 200 行开始,但文件只有 100 行”,比只说“Read failed”更容易让模型修正参数。:模型给出的并不是一条可以直接执行的系统命令,而是一个待查找、待准备、待校验、可被策略拦截的调用请求。这套机制让模型有机会从工具错误中继续工作,但它处理的是反馈流,不是权限边界。这个钩子只用于进入执行阶段的调用:如果前面工具未找到、校验失败或被拦截,就直接形成结果,不会走到这一步。明确写明,它默认以启动进程的权限运行,不内置文件、进程或网络的权限隔离。先看图中的三个层次。
2026-09-24 21:10:50
195
原创 第5章:工具系统 —— Agent 的手脚是怎么被管住的
所有工具错误——从参数验证失败到 execute 抛出的未知异常——都被翻译成一条 isError: true 的 ToolResultMessage 发给模型,让模型自己决定下一步,循环永远不会因为工具出错而崩。这就是为什么”即便未知错误也要变成一条消息”——不是说”对未知错误统一描述成’出错了’“,而是说”让框架兜底 catch 接管,至少保证未知异常也被翻译成 isError: true 的消息发给模型,而不是穿透打断循环”。从这一刻起,它就不再是”异常”,而是”一条带错误标记的消息”。
2026-09-23 22:58:27
180
1
原创 拆解 Pi 的双层消息架构:内部结构化,外部标准化
模型可能只需要文本,界面需要状态,持久化层则需要可恢复的完整数据。上下文裁剪回答“选哪些消息”,协议转换回答“把消息变成什么”。本文沿着一条 Bash 消息的生命周期,拆解这条边界为什么存在、怎样实现,以及它对我们设计 Agent 系统有什么启发。所以,这一层解决的是“Agent 应用如何把消息交给统一模型层”,而不是“怎样直接拼装某一家厂商的 HTTP 请求”。本质上,它是在区分“系统真实拥有的数据”和“某个外部消费者需要看到的数据”。站在模型的角度,它只需要知道两件事:执行了什么命令,得到什么输出。
2026-09-22 22:57:01
450
原创 Pi Agent Loop 完整流程源码解析:从 Agent.prompt() 到 agent_end
读 Agent Loop,如果只看到“模型返回 ToolCall 就执行,没有 ToolCall 就停止”,只能理解最小循环,理解不了一个真实编程 Agent 为什么能流式显示、连续工作、接受中途指令、并发执行工具,还能保持消息与事件顺序。最小 Agent Loop 确实可以写得很短:调用模型,发现 ToolCall 就执行工具,把 ToolResult 交回模型,然后继续循环。三条链同时闭合,Agent 才不是“一次带工具的模型调用”,而是一个可以持续运行、接受干预并安全结束的执行引擎。
2026-09-21 22:47:42
487
原创 读懂 Pi Agent 的三层架构:模型、循环与编程业务如何解耦
这进一步说明它的职责不是“包办所有模型相关代码”,而是提供稳定的模型类型、认证、目录和流式调用基础。模型返回工具调用后,系统必须执行工具、把结果追加到上下文,再让模型根据新信息继续判断。实际上,核心问题仍然没有变化:模型差异由谁处理,Agent 循环由谁处理,具体产品行为又由谁处理。第一次阅读 Agent 项目时,最容易迷失在 Provider(模型服务提供方)、工具调用、会话、终端界面和扩展系统之间。第一,底层可以独立使用。模型协议只保留模型需要的信息,运行时再增加执行能力,产品层最后增加展示和交互。
2026-09-19 22:48:32
103
原创 为什么 Pi 值得研究:从终端编码 Agent 到可复用 SDK
如果你主要在终端中工作,希望完整观察模型上下文、工具调用和会话分支,又愿意用 Skill、Extension、普通文件与系统工具组合工作流,Pi 很可能会越用越顺手。这比简单讨论“提示词应该写多长”更有学习价值,因为它把上下文看作一种需要分配的有限资源:哪些信息必须始终存在,哪些只在任务命中时加载,哪些历史可以压缩,哪些原始记录必须保留。这里的 harness 可以理解为“运行外壳”:它负责把模型、工具、会话和终端交互组织起来,让大模型能够读取代码、修改文件、运行命令,再根据结果继续行动。
2026-09-19 22:47:09
174
原创 从实习需求到领域 Skill:让 Code Agent 读懂新增接口使用率链路
在复杂业务项目里,Code Agent 最容易犯的错误不是不会写代码,而是只看到了一个定时任务、一段 DTS 配置或一个 ES 写入逻辑,却不知道它们共同服务于什么业务指标。本文以我在实习中参与的“新增接口使用率”需求为背景,完整拆解如何把分散在代码和文档里的业务知识,设计成一个可以被 Code Agent 按需加载的领域 Skill。如果 Skill 写的是“过滤已删除接口”,代码却没有对应判断,不能直接认定某一边错误,而应该输出冲突位置和依据。接口是否有效,按照统计侧接口信息表中的状态过滤。
2026-09-18 22:57:57
231
原创 Harness Engineering 阶段 5:别让 Agent 凭感觉宣布完成
代理的最终答复也就能够从一句“做完了”,变成一份可核对、有边界的交付结果。若这些因素一起变化,比较得到的是整套工作方式的效果,不能把差异全部归因于“多了一个代理”。对这个例子,一次有明确边界的观察就很有用:在独立测试数据中创建一个名称容易辨认的会话,连续提问两次,正常关闭并重启应用,然后重新打开该会话。对于这个涉及界面、通信和持久化的功能,如果重启恢复还没检查,准确的结论就是“代码与部分测试已完成,重启恢复待验证”。尤其是“重启后仍然存在”,它把需求从“内存里有一个列表”推进到了“用户的数据可以恢复”。
2026-09-17 22:59:23
169
原创 Harness Engineering 阶段 4:用任务边界、功能清单和运行反馈约束 Agent
限制并行工作的直接价值,是减少同时悬而未决的改动,让问题更容易归到当前项。学习中已经完成的,是范围辨析、状态规则理解,以及 P04 缺陷的只读分析。比如已经确认长文档在索引阶段丢失内容,就可以把当前项定义为:修复长文档分块内容丢失,验证保存后的块保留原文关键内容,并检查既有问答路径能否使用这些内容。如果后续改动影响了已验证路径,或者验收需求变了,旧证据就未必适用于当前版本,需要重新验证。如果确实需要切换,应明确记录阻塞项的保存状态,再选择依赖独立的工作,保证当前真正推进的功能仍然只有一项。
2026-09-17 22:45:10
300
原创 AI 开发工作流:理解 Skill、用好短提示词,串起需求到交付
例如,若全部业务写入都在同一个数据库事务内,重复请求可由一个明确的业务键识别,就可以评估“事务+非空唯一约束+重复请求处理”的设计。这套工作方式最终落在几个具体动作上:用事实重新检查问题,用反例审查假设,用实验判断贡献,用需求约束复杂度,再通过清晰的职责和小增量反馈推进实现。设计阶段给出可比较的选择。本文从 Prompt、Skill 与 Harness 的关系讲起,再结合五种工程方法,串起需求澄清、实现、审查和交付。先确定角色分工:谁负责整合上下文,谁实施改动,谁从不同角度核实结果,再选择适合的工具。
2026-09-16 16:28:56
211
原创 AI 编程换个会话就接不上?理解 Harness 的初始化与交接机制
因此,交接必须区分“代码已经改了”和“行为已经验证了”,否则错误的完成判断也会被传到下一轮。两者再与核对、验证和状态更新配合,构成 Harness 支持长任务的一种方式:让每次会话都能获得清楚的起点,并为下一次继续留下依据。假如修改之前,基础检查就已经失败,那么这个结果就是后续判断的基线:再次遇到同样的失败时,不能直接认定它由本轮修改引起。仍以导入时间为例,记录“时间在导入时生成并保存,界面只负责格式化”,可以说明实现分工。新会话读取项目记录,再核对当前代码和环境,才能从有依据的位置继续。
2026-09-16 15:23:27
222
原创 Harness Engineering Day 4–5:从仓库事实来源到渐进式上下文,构建可验证的 Coding Agent 地图
在正式修改代码前,我先开了一个全新只读会话,要求 Agent 根据仓库回答项目类型、Electron 分层、导入约束、功能状态和验证层级五个问题。Day 5 的学习闸门能够通过,是因为学习者不仅说出了短入口的作用,还能在新的控制变量场景中判断:只有代码起点、任务、模型设置、流程、人工干预、时间和样例都一致,仅改变文档路由时,才更有把握进行因果归因。好的 Coding Agent Harness,不是给模型塞进更多知识,而是让正确的事实在正确的阶段出现,并用真实证据约束“什么时候才算完成”。
2026-09-15 23:14:05
498
1
空空如也
这个while后面这个一是什么意思?
2023-11-13
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅