記憶不是外掛，是 Harness：為什麼你的 AI Agent 總是健忘
The model needs the body. A brain without a harness is just floating.> 導讀：AI 助理記不住昨天說過的話，不是因為它笨，是因為它根本沒有記憶「器官」。記憶不是零件，是整台車的設計。沒有 Harness 的 LLM 像漂浮在營養液裡的大腦
所有文章
AI 時代的品味：當什麼都能生成，你怎麼知道什麼值得生成？
> 導讀：半世紀前，Pirsig 在《禪與摩托車維修藝術》裡問：「品質到底是什麼？」2026 年，AI 能寫論文、畫插圖、做簡報，這個問題比任何時候都更迫切。Pirsig 花了整本書想定義品質，最後結論是：品質無法被定義，但所有人都認得出來。品質不是物件的屬性，而是一個事件——發生在主體與客體相遇的瞬間
AI 意識即檔案系統：用目錄結構打造 AI 人格
> 導讀：如果 AI「意識」是一堆資料夾——核心信念一層、潛意識藏在隱藏檔裡——你會怎麼設計它？開發者 Amir 真的這樣做了，交出 86.9% 勝率的交易 Agent。Amir 不去定義意識「是什麼」，而是設計它「長什麼樣子」：- kernel/：身份核心，價值觀與底線，不可逾越
30 分鐘搞懂任何領域：縱橫雙軸研究法
> 導讀：遇到完全陌生的領域，有人用一套兩年驗證的方法論，搭配 AI，30 分鐘產出結構化研究報告。祕密不在 AI 多聰慧，在於問問題的框架。打開 Google，搜尋 200 萬條結果，看了十篇比開始之前更困惑。問題是沒有認知骨架——骨架搭起來之前，再多資料都是散落的拼圖碎片。這個方法源自 Saussu
省Token的秘密：KV Cache快取經濟學揭密
> 導讀：同一個對話問十個問題，為什麼比開十個新對話便宜得多？答案是 KV Cache。掌握它，就能省下 80% 的 Token 成本。十輪對話、每輪輸入 100 個 Token：- 沒有 KV Cache：每輪都重新計算所有舊內容，總計 5,500 Token- 有 KV Cache：
五種 AI 智能體協作模式：選對團隊合作方式，才能發揮 Agent 的真正力量
> 導讀：多個 AI 智能體一起工作，不是隨便組合就有效。選對模式系統高效，選錯了再聰明的 Agent 也浪費資源。一個 Agent 生成，另一個驗證品質。過不了就打回重寫。適用：程式碼審查、事實查核、資料驗證。簡單清晰；但驗證者持續不滿意可能陷入迴圈。主 Agent 分解任務，派給多個專屬子 Agent 執行
Harness 決定 Agent 天花板：為什麼同一顆 AI 大腦在不同身體裡表現天差地別
> 導讀：改進 Harness 設計，同一模型的 TerminalBench 排名從第 30+ 名跳到第 5 名。沒換模型，沒增加參數。LLM 無法看螢幕、執行程式碼、記住昨天的對話。這不是模型的問題——是缺乏「身體」的問題。Harness 就是這個身體。@akshay_pachaar
AI 記憶瓶頸三層解法——為什麼加更多記憶體解決不了 AI 的記憶問題
> 導讀：AI 要說話更流暢，需要更大的記憶體？真相更有趣——瓶頸不在容量，而在資料流動速度。Nvidia、Google、Anthropic 各守一個系統層，方案彼此互補，不是競爭。每產生一個詞彙，模型都要從記憶體讀取大量狀態；讀取慢 = 整體被拖累。加更多容量解決不了——高速公路再寬，堵車時一樣動不了。
Agent 基礎設施正在被平台化——Anthropic Managed Agents 如何改變 AI 應用的發展方式
> 導讀：就像 AWS 讓每家公司都能輕鬆部署雲端運算，Anthropic Managed Agents 正在對 AI Agent 基礎設施做同樣的事——Sentry 從數月縮短到數週，Rakuten 一週內部署五個 Agent。Managed Agents 將 Agent 系統拆解為三個可獨立擴展的層次：
模型夠強了，為什麼本地 AI Agent 還是不穩？
> 導讀：2026 年，20B 以上的開源模型已能在消費級硬體上流暢運行，但接進 Agent 框架後，工具呼叫成功率常常不到一半。27 篇頂會論文指向同一個結論：瓶頸不在模型，在框架。Gemma4 26B 跑在 M4 Pro 48GB 上，單輪問答流暢，推理品質不錯。放進需要呼叫工具、維持多輪對話的 Agent