LHW0621的专栏

ADR（架构决策记录）是一种用于记录重要技术决策的文档规范，包含编号、状态、背景、选项、决策理由和后果等核心要素。本文重点介绍在知识库中，如何管理ADR的知识模板、更新机制、质量标准。

知识地图是动态更新的团队能力快照，核心价值在于解决"找谁协作"问题而非信息堆砌。其设计遵循三大原则：1）数据自动同步（HR/CODEOWNERS为源），避免人工维护；2）模块化模板设计（服务×人、角色×联系方式等5类），区分公开/敏感信息；3）质量以时效性为先（指标包括覆盖率、新鲜度等）。

本文提出了一种基于代码自动生成的架构总览方法论。核心观点是架构总览应该是代码的实时映射（影子），而非人工编写的文档。文章详细定义了架构总览的五大结构化模板（总览页、服务清单、依赖图、技术栈矩阵和部署拓扑），强调其查询属性而非阅读属性。同时，补齐了架构总览的知识模板、更新机制、质量标准等

本文重点介绍了知识库建设中，如何建设领域词典。第一部分介绍了：领域词典不限于知识库；后面又逐步介绍了领域词典的模板、更新机制、质量标准，以及其冷启动方法。

本文提出了一套基于LLM的研发知识库分层架构与管理机制。知识库分为三层：RawSources层（只读原始数据，如代码、PR、监控）、Wiki层（LLM生成的消费级知识，如架构图、API文档）和Schema层（人工定义的规则与分类体系）。

本文阐述了Agent安全场景下可观测性的特殊挑战与设计方法。主要内容包括： 三层次可观测性设计（日志、追踪、指标）

本文系统分析了Agent开发中的安全风险，提出了五层防御体系。风险分为P0-P3四个优先级，重点包括工具滥用、数据泄露、Prompt注入等。防御体系涵盖输入拦截、上下文隔离、工具管控、输出过滤和审计追溯，并强调可观测性和降级熔断两项基础能力。特别指出模型层风险需特殊处理，工具层决定损失上限，多Agent系统存在级联放大风险。建议采用结构化输入校验、Capability-based访问控制、敏感信息检测等措施，同时建立完备的监控和应急响应机制。整体架构通过分层防御和基础能力建设，实现Agent系统的安全可控。

本文提出了一种基于金字塔架构的Agent个性化记忆系统，该系统通过四层结构实现用户特征的渐进式抽象。底层交互历史层存储原始交互数据，偏好记忆层提取用户偏好标签，长期知识层记录客观事实，顶层的用户画像层形成高度抽象的用户特征描述。

记忆压缩是解决Agent系统长期运行中信息过载的核心技术，通过平衡信息保留与存储成本，实现高效运行。其目标包括控制存储规模、提升检索效率和保持关键信息。压缩方法可分为三类：规则压缩：如截断、时间衰减，简单高效但可能丢失重要信息。智能抽取：如关键词提取、语义去重，保留核心语义但依赖模型质量。生成式摘要：如多粒度摘要、增量摘要，质量高但计算成本较大。

文章摘要： 记忆检索旨在解决海量数据下的高效信息查找问题，面临语义匹配、上下文限制、时效性等挑战。主流方法包括：1）向量检索（语义相似度计算，适合高精度但算力要求高）；2）关键词检索（精确匹配，速度快但缺乏语义理解）；3）标量检索（结构化字段过滤，高效但需预定义）；4）时间检索（时序数据优化）。混合检索可平衡优缺点。优化需结合数据规模、召回率、内存等因素，例如小数据用HNSW，大数据用分层聚类。时间检索可通过分区、冷热分离、预聚合提升效率。

本文提出智能Agent的四层记忆系统设计：工作记忆、短期记忆、长期记忆、永久记忆；并说明了四层记忆的协同机制，包括写入流程、读取策略等

Router决定"谁来处理"，Planner-Executor决定"怎么处理"，Human in the Loop决定"处理得对不对"——三者分别是Agent系统的入口层、执行层、控制层，共同构成完整的Agent架构。