#智能体工程
三种记忆模式解决 AI 智能体的金鱼记忆
很多 AI 智能体表现“迟钝”，往往并非模型能力不足，而是缺乏记忆机制。Google 技术专家基于 ADK 提出三种解决方案：会话记忆让助手在单次对话中记住上下文；多智能体状态共享支持多个智能体通过键值对协作传递信息；持久化存储则利用数据库替代内存，使智能体能跨越重启记录用户偏好。这些方法能有效解决“金鱼记忆”问题，帮助开发者构建更连贯、具备长期服务能力的个人助理应用。
多智能体连续工作 16 天，验证契约和串行执行是关键
Factory 工程师 Luke 分享多智能体系统 Missions 架构，核心在于解决人的注意力瓶颈。该系统采用编排、工作、验证三角色分工，强调“先定义完成标准”再写代码，通过串行执行降低协调开销，并强制结构化交接以支撑长周期任务。不同角色匹配专用模型，编排逻辑主要依赖提示词，使团队能同时处理的工作流数量从 10 条提升至 30 条。
Prompt Evolution ：迭代提示词设计让多智能体性能提升 30%
在多智能体系统中，提示词质量而非模型能力才是决定表现的关键。通过对主智能体、分析智能体、编码智能体和评判智能体提示词的系统性演进，工作流效率能够提升 30%。核心方法包括：明确智能体角色边界，将约束显式编码，将编码智能体从“作者”降格为“编译器”，以及依据失败模式驱动迭代。这一实践揭示了工业级 AI 工作流的本质。越确定性的任务越需要确定性的约束，而非期待模型自行领会意图。
上下文工程实战：让 AI Agent 在超长对话中不失忆的三大策略
GPT-5.5 等模型虽推理强劲，却常因“上下文衰退”在长任务中遗忘关键信息。文章剖析滑窗截断、分层摘要及记忆卸载三大策略，指出单纯扩大窗口无效，需构建外部记忆架构。通过热温冷三层结构与增量更新机制，可显著提升多步骤工程任务的稳定性与 Token 利用率，为开发长程 AI Agent 提供核心设计思路。
Karpathy 最新演讲：AI 编程正在从 “氛围编程” 转向“智能体工程”
Andrej Karpathy 在 Sequoia AI Ascent 2026 提出编程范式正从 Vibe Coding 转向 Agentic Engineering。核心变化在于工作重心从编写代码转为编排智能体，要求开发者具备系统设计与审查能力。演讲强调需警惕"80%问题”，即利用 AI 快速完成基础工作后，必须依靠人类经验处理安全、架构等剩余难点。这一转变意味着理解力将比编码能力更稀缺，对开发者、管理者及创业者重新定义产品与团队角色具有关键指导意义。