AI Agent构建需超越轻量级模式，面对知识质量、语义理解与规模化维护挑战。应从Prompt-Centric转向Context-Aware，构建结构化、可推理的上下文语料体系，提升语义对齐与工具集成标准化。通过本体建设与RAG升级，实现精准理解、可靠推理与高效执行，降低系统性幻觉，提升AI决策的可解释性与业务价值。

知识库通过结构化沉淀专家知识，降低人机协作的信息传递成本。采用渐进式披露，AI按层级获取精准信息，提升上下文利用效率。知识库与代码同步更新，确保知识新鲜度。实践表明，知识沉淀带来复利效应，AI建立业务认知更快，跨应用协作更高效。知识库从工具演变为研发基础设施，推动AI Coding效率持续提升。

Memory是Agent长期交互中积累的知识库，核心在于将历史转化为决策依据。其本质包括Raw Ledger、Views和Policy三部分，形成一个闭环系统。非参数化Memory更易落地，但需逼近参数化方案的效果上限。时序记忆、技能固化与潜层融合是关键，确保记忆的可执行性、可治理性与可观测性，提升Agent的个性化与长程任务表现。

AI编码助手在处理大规模代码库时，常因缺乏对代码上下文的理解而效率低下。通过构建预计算引擎，50多个AI代理系统性读取代码文件，生成59个简明上下文文件，涵盖4100多个文件和50多个非显而易见模式，显著提升AI代理的导航能力。该系统自动维护，定期验证文件路径并修复过时引用，减少40%的工具调用次数，将复杂工作流的研究时间从两天缩短至30分钟。

大模型的能力不仅取决于模型本身，更依赖于其基础设施——"代理套件"。它包括工具、内存、上下文管理、状态持久化等12个核心组件，共同将无状态的LLM转化为具备自主行为的智能体。随着模型能力的提升，套件设计趋向简化，但其作为管理和验证的核心作用不可或缺。

Agent Development Kit (ADK) 的 SkillToolset 通过渐进式披露架构，让 AI 代理动态加载领域知识，而非一次性加载庞大指令。介绍了四种技能模式：内联清单、文件技能、外部导入和技能工厂，最终实现代理自我扩展能力。技能工厂允许代理根据需求生成新技能，遵循 agentskills.io 规范，确保兼容性。建议从内联技能起步，逐步过渡到文件技能，并审阅生成的技能以确保质量。

M2.7模型在办公场景中展现了强大的自我进化能力，尤其在Excel、PPT、Word等文档的复杂编辑上取得了显著提升。为解决文档生成后的可用性问题，团队构建了一套Office Skills，确保生成的文档可直接交付。这套能力已完整开源，包括代码、设计思路及自进化机制，采用MIT协议，助力AI文档生成场景的开发者减少重复投入，提升文档交付质量。

编码代理通过工具使用、记忆管理和代码库上下文提升LLM在实际应用中的表现。核心在于代理循环、提示缓存、工具访问和上下文压缩等六大组件，使模型在编程任务中更高效。编码代理的设计优化了模型与环境互动，提升用户体验和任务连续性，使其比简单聊天界面更强大。

最近，AI代理结合沙盒环境成为热门趋势，通过FUSE技术将任意数据映射为文件系统，简化代理工具设计。例如，邮件代理将邮件数据库映射为文件系统，代理通过命令行操作邮件，提升效率。FUSE允许在用户空间实现文件系统，无需深入内核，适配多种编程语言。虚拟文件系统不仅优化代理操作，还为长上下文处理提供了新思路。未来，沙盒提供商或将推出简化API，进一步降低使用门槛。

虚拟文件系统ChromaFs的妙用：
将文档库伪装成Linux文件系统，AI助手通过grep/cat等命令直接查询数据库，无需沙箱环境。46秒的克隆等待降至100毫秒，年省7万美元成本。核心原理是用内存树结构模拟目录，按权限过滤内容，将文件操作转为Chroma向量查询，碎片自动重组为完整文档。递归搜索时先用数据库粗筛，再本地精准匹配，兼顾速度与准确性。现已支持每日30万次对话，零边际成本。

AI智能体的评估至关重要，帮助团队在产品上线前发现问题。评估分为单轮和多轮测试，涵盖代码、对话和研究等多种智能体类型。有效评估需结合代码、模型和人工评分，确保准确性。早期构建评估体系能加速开发，避免后期盲测。评估设计应明确任务和评分标准，定期检查测试结果，确保评估的公正性和有效性。

Meta推出KernelEvolve，用于自动生成并优化AI模型的低层硬件内核，显著提升性能。该系统通过搜索算法探索数百种内核实现，适用于NVIDIA、AMD GPU及Meta自研MTIA芯片等多平台，大幅缩短开发时间。相比人工调优，KernelEvolve在广告模型推理上实现了60%的吞吐量提升，训练效率提高25%。该系统还能动态适应新硬件和模型架构，加速AI技术的迭代与应用。

大模型训练远不止预训练，后训练、评测、奖励等环节才是拉开差距的关键。从数据配方到系统架构，再到指令微调和强化学习，每一步都在塑造模型的实际表现。Agent训练更将优化目标扩展到工具使用和任务连贯性。最终上线版本是整条训练链路的快照，而持续迭代的反馈回路才是产品核心。

AutoAgent开源库发布，实现代理自主优化。通过元代理与任务代理分离，AutoAgent在SpreadsheetBench和TerminalBench上取得领先成绩。系统自动调整提示、工具和协调逻辑，无需人工干预。元代理凭借模型同理心，深入理解任务代理的推理轨迹，针对性优化。该系统为领域专家简化了代理构建流程，推动智能代理跨组织广泛应用。下一步将探索动态组装工具和上下文的即时任务处理。

手淘跨端团队通过AI技术重构性能优化流程，推出"体验优化Agent"等5款产品，覆盖研发全链路。该方案整合端边云基建、RAG知识库及云真机调试等技能，突破传统AI无法理解复杂业务语义的瓶颈，实现从人工诊断到AI自驱的进化。系统能自动完成问题分析、代码修复和配置变更，显著提升应用性能与稳定性，形成"数据-分析-修复"的完整闭环。

AI Agent在编程时常因看不见代码库的隐式规则而出错。Harness工程通过将架构决策、层级约束等编码到仓库中，让Agent能自我验证。它提供lint、测试、verify等机械检查，确保代码合规。Harness还支持任务拆解、模型调度和交叉review，提升复杂任务的质量。通过记忆和轨迹编译，Harness不断进化，让Agent协作更高效。