Claude Code 构建经验：为什么 Prompt Caching 是 Agent 的地基
基于 Claude Code 团队关于 prompt caching 的工程经验，拆解长任务 Agent 为什么必须围绕缓存来设计：静态前缀、工具集合、模型切换、compaction 和缓存命中率监控。
Tag
#Agent
#Agent 标签文章合集，收录 Diors.tech 中与 Agent 相关的 AI 学习笔记、技术拆解和工程实践。
38 篇文章Claude Code 构建经验：像 Agent 一样设计工具
基于 Claude Code 团队的工具设计经验，讨论 Agent harness 里最难的一件事：不是工具越多越好，而是给模型一个它真的会理解、会使用、会自我校正的行动空间。
Claude Code 构建经验：Skills 不是 Markdown，而是能力包
基于 Claude Code 团队关于 Skills 的实践经验，梳理什么样的 skill 值得做、如何写出高信号密度的 skill、如何用文件系统和脚本做渐进披露，以及团队如何分发和衡量 skill。
LLM Wiki 入门：为什么它不是 RAG，也不是普通笔记软件
从 Karpathy 的 LLM Wiki 模式出发，理解一种新的个人知识库做法：人负责选资料和提问题，LLM Agent 负责整理、交叉引用、更新和维护 Wiki。
LLM Wiki 目录结构：从空文件夹搭出可维护的知识库
手把手搭建 LLM Wiki 的第一版目录结构，讲清 raw、wiki、index、log、AGENTS.md 分别放什么，以及为什么一开始不要把结构设计得太复杂。
写好 AGENTS.md：让 LLM 像知识库维护者一样工作
LLM Wiki 最关键的一篇：完整讲解 AGENTS.md 应该写什么，包括目录规则、页面模板、ingest、query、lint、引用、冲突处理和安全边界。
Ingest 教程：把一篇文章变成一组互相连接的 Wiki 页面
LLM Wiki 的第一个核心操作：如何把 raw 里的原始资料吸收到 wiki 里，生成 source summary、concept page、question page、synthesis，并更新 index 和 log。
Query 教程：如何向自己的 LLM Wiki 提问，并把好答案写回去
LLM Wiki 的第二个核心操作：基于 index 和 wiki 页面提问，生成带依据的回答，并把有长期价值的比较、综述、问题和结论沉淀回知识库。
Lint 教程：让 Agent 定期体检你的 LLM Wiki
LLM Wiki 的第三个核心操作：检查孤岛页面、重复概念、缺引用、过时结论、冲突说法和 index/log 漏更新，让知识库越长越清楚。
Git 工作流：把你的 LLM Wiki 当代码库维护
LLM Wiki 是一堆 Markdown 文件，天然适合 Git。本文讲 commit、diff、branch、rollback、review 和 Agent 修改报告，让知识库可回滚、可审查、可长期维护。
完整项目：用 LLM Wiki 从 0 到 1 学一个新领域
LLM Wiki 系列收官项目：选一个主题，收集 20 篇资料，完成 ingest、query、lint、Obsidian 浏览、Git 管理和搜索升级，最终形成一个可长期维护的知识库。
AI-Native 浏览器 2026 H1：Comet / ChatGPT Atlas / Dia 三家如何重做 Web
Perplexity Comet 已扩展到桌面和移动端，OpenAI ChatGPT Atlas、The Browser Company Dia 等产品也在重做浏览器入口。和「Chrome + 插件 + ChatGPT 标签页」不是一回事——AI-native browser 把 LLM 当一等公民，URL 退到次位。本文是这条新赛道的产品与功能切片。
Vibe Coding 与 Spec-Driven Development：2026 Q2 软件开发的两条新文化线
讨论 2026 Q2 软件开发的两条文化线：自然语言驱动的 vibe coding 与大公司推崇的 spec-driven development，以及团队该如何在速度和可维护性之间取舍。
Agent Benchmark 2026 H1 综合横评：SWE-bench / OSWorld / WebArena / SWE-Lancer
横评 2026 H1 主流 Agent benchmark，包括 SWE-bench、OSWorld、WebArena、SWE-Lancer 与 GDPval，分析它们各自测什么、不测什么，以及刷榜见顶后的评估方向。
MCP 生态 2026 Q2 现状：从协议到事实标准
梳理 MCP 在 2026 Q2 的生态现状：主流主机支持、OAuth 2.1 PKCE、权限模型、第三方 server 可信度，以及企业部署 MCP 网关的关键问题。
Computer Use Agents：让模型直接操作你的电脑
拆解 Computer Use Agent 如何用截图、视觉理解、鼠标键盘动作直接操作软件，对比 Function Calling Agent，并梳理 OSWorld、Claude、Operator 与 Manus 的工程取舍。
Hermes Agent：一个会自己长出技能的 24/7 个人 AI
Nous Research 在 2026 年 2 月开源的 Hermes Agent 不到两个月就拿到接近十万 stars。它不是又一个 ReAct 包装器，而是一个把 skills、记忆、网关、模型路由全部塞进同一个进程的「常驻 Agent」。本文拆解它的架构、闭环学习机制，以及它为什么是 2026 上半年最值得关注的开源 Agent 项目。
Context Engineering：从 Prompt 到上下文的范式升级
2025–2026 最热概念：不只写好 prompt，而是系统编排进入模型的信息——组件、budget、质量与评估一次讲清
持久记忆：让 Agent 真正「记住」
跨会话记忆的三层架构、Letta/MemGPT 实战、Mem0 与 Zep 对比、图谱与向量混合、Memory as a Service 与隐私合规
Self-Verification：Agent 如何自我验证
验证链、Critic Agent、形式化与事实性验证、Constitutional AI、Guardrail 与成本权衡——从「好用」到「可信」
AI Coding Agent 全景
从 Copilot 到自主 Agent 的跃迁；Cursor、Devin、Windsurf、OpenHands、SWE-agent、Aider、Claude Code 对比；SWE-bench、架构循环与 Agent-Native 工作流
LLM Agents 研究前沿
ReAct、Reflexion、Voyager、CAMEL——Agent 学术研究的关键论文、Benchmark 与未来方向
Agent 与 Skills 系统
讲解 OpenClaw 的 Agent Runtime、Workspace、Skills、ClawHub 与聊天命令，理解个人 AI 助手的能力扩展机制。
AI 产品模式图谱
系统对比 Copilot、Agent、Automation 三类 AI 产品模式，帮助团队判断产品形态、责任边界和演进路线。
Agent 是什么
从定义、核心能力、和 Chatbot 的差异到真实案例，系统理解 AI Agent 的本质、边界和工程落地方式。
Agent 系统组成
Planner、Executor、Memory、Tools 四大支柱如何协同，以及 Agent 循环与架构模式
ReAct 模式
Reasoning + Acting 如何交织、ReAct 循环的运作方式、优势与局限，以及实践中的实现要点
Plan & Execute
先规划再执行的两阶段架构、Replanning 机制、与 ReAct 的对比，以及 LangGraph 等实现方式
Multi-Agent 系统
多 Agent 协作的通信模式、角色分工、编排策略，以及 CrewAI、AutoGen 等框架与实战考量
Agent Memory 系统
解释 Agent 为什么需要记忆，梳理短期记忆、长期记忆、用户档案、工具状态与 MemGPT 虚拟内存等实现策略。
Self-improving Agents
讨论 Self-improving Agents 的愿景与现实边界，涵盖技能库、Prompt 进化、人机反馈循环和可控改进机制。
LangGraph
用图结构构建有状态的多步骤 Agent 工作流，讲清 LangGraph 的核心概念、节点边状态、设计模式与实战取舍。
AutoGPT
回顾点燃 Agent 革命的 AutoGPT，分析它的架构、能力边界、失败原因、遗产与自主 Agent 的演进谱系。
CrewAI
介绍基于角色协作的多 Agent 框架 CrewAI，覆盖核心概念、任务编排、Flows 演进、适用场景与实战对比。
AI 工作流自动化
从单 Agent 到端到端流程，梳理文档、代码、数据、客服等 AI 工作流自动化场景，以及编排工具和监控要点。
Tool Calling 原理
为什么 LLM 需要工具、Function Calling 与 Tool Use 的区别、MCP 协议，以及如何安全地让模型调用外部能力
AI 应用系统架构
从前端到模型层：AI 应用典型技术栈、各层职责、Orchestration 层详解，以及如何根据场景选架构
Reflection
讲解 Agent 如何通过自我评估、批评、修正和 Reflexion 模式提升输出质量，以及 Reflection 的适用场景和局限。