博客

我从 joye 的站点与 QQ 群交流获得启发，先后构建了 qqbot 与跑在 Telegram 上的 personal agent，并持续长期使用。文章记录了动机（不为做而做，标准是"明天还会不会用"）、qb 从基础问答到课表定时任务与娱乐模式的过程、qb 与 pa 因受众不同而采取的不同权限与放手程度、pa 通过后台调度连接其他 coding agent 只汇报最终结果、pa 与 qb 的桥接、给 agent 邮箱并让它自主注册账号（人机验证仍需人完成）、harness 的设计原则（不是越复杂越好，能用→常用→好用）、桥接层的陷阱（用关键词概率匹配模拟理解会随需求腐化，能力被吸入桥接层后将不可组合、不可观察），以及对产品定位的回答（区别不在功能，而在于长期积累的私有记忆与数据归属）。

精读 Anthropic 工程博客两篇：《Code execution with MCP》与《Effective harnesses for long-running agents》。前篇讲用代码执行给上下文瘦身（渐进披露、沙箱内处理数据、Skills 固化），后篇讲长程 agent 跨 session 的交接方案（initializer + coding agent、特征清单、git/progress、端到端测试）。两篇共同指向一条演进线：agent 从 LLM + 工具走向 LLM + harness。

精读 Anthropic 工程博客三篇：《Building effective agents》《How we built our multi-agent research system》《Effective context engineering for AI agents》。按“演化线”整理——上篇工具与编排模式、中篇多 Agent 系统的工程实现、下篇上下文工程，末尾归纳三次表态。

一份来自三个实现的 Agent 工程笔记。CoreCoder 是 Python 手写的最小实现，Claude Code 是生产实现，learn-claude-code 是教学实现。内容覆盖 Agent Loop 的流转条件与中断修复、工具定义与文件编辑策略、上下文注入与三档压缩、QueryEngine 的长期状态、并行工具与子 Agent、Hook 与 Task 扩展点、多 Agent 协作、记忆 / MCP / 后台任务 / 定时任务，以及路径与命令的安全防线。

一份 Transformer 的学习笔记，按先整体再拆件的顺序整理：编码器与解码器的数据流；学大模型前需要回答的三个问题（神经网络、注意力机制、PyTorch 组成）；Token、词嵌入矩阵与位置编码各自解决什么问题；Q、K、V 的含义，Q·K 点积为什么代表相关性，softmax 前为什么要除以维度的平方根；自注意力与交叉注意力的区别，以及交叉注意力为什么不需要掩码；训练时并行预测多个 token 而推理时逐 token 生成，因此需要因果掩码防止偷看，做法是把后文置为负无穷再经 softmax 变成 0；前馈网络、多头注意力与层归一化的定义，包括层归一化与批量归一化在归一化维度上的差别。