Thoughts on systems design, backend engineering, AI, and the work of building useful products.
剖析模型生成代码的安全执行：本地执行器靠 import 白名单、AST 逐句解释、超时与输出截断做受限执行，但并非真沙箱；真正不可信代码需切换远端执行器实现完全隔离。
解析 Tool 与 ToolCollection：单个工具的标准化契约（名字、描述、入参出参、构造即校验、懒初始化），以及从手写、HuggingFace Hub、langchain 到 MCP 服务器的多来源批量加载与聚合方案。
拆解 MultiStepAgent 抽象基类：把任务拆成多轮「思考→动作→观察」的 ReAct 循环，统筹记忆、规划、异常分级与可观测性，并分析结果到达、步数超限、外部打断三类出口与强制兜底策略。
对比两大子类：ToolCallingAgent 逐个调用工具，动作原子化、结构确定、天然支持并行；CodeAgent 让模型直接写 Python 代码，一段代码等于一次思考加多次行动，大幅减少往返，配合沙箱白名单安全执行。
LangChain是智能体开发基础层，提供模型、消息、工具等模块化能力，LangGraph为底层编排引擎，通过状态、节点、边实现可控复杂工作流。配套LangSmith、第三方Langfuse提供可观测能力，依托中间件、分层记忆实现容错与上下文治理。Agent遵循LLM+Harness架构，Hermes基于GEPA算法，可离线迭代技能库，实现智能体自主进化。
RAG即检索增强生成，通过知识与模型参数解耦，无需微调大模型，解决模型知识滞后、私有知识缺失、幻觉问题。分为离线建库（文档分块、Embedding向量化、向量入库）与在线推理（Query改写、多路召回、Rerank精排、Prompt组装生成）。工程以混合检索、Chunk优化、分层评测优化效果，仅缓解幻觉，无法彻底根除。
本文系统讲解 Agent 相关核心概念：Agent 以大模型为大脑，依靠规划、工具、记忆形成执行闭环，区分于被动输出的裸 LLM。介绍 ReAct、Plan‑and‑Execute、Reflection 等范式，对比 Workflow、Tools 差异，阐述长短记忆、压缩方案、Multi‑Agent 协作调度，分析手搓 Agent 与框架选型，覆盖规划反思机制与工程落地权衡。
自研终端 AI 编程 Agent，实现守护进程 + TUI 双进程架构，通过 TCP JSON-RPC2.0、NDJSON 完成进程间流式通信。基于 ReAct 构建 Agent 主循环，封装 LLM 抽象层；自研 Skill 工具系统，兼容 MCP 工具协议；工具/模型的洋葱中间件责任链统一处理权限、事件、参数校验；支持隔离 Sub-Agent 协作与父子事件总线桥接；实现双层记忆、上下文压缩，配套文件操作权限审批与黑名单安全防护。 https://github.com/guosgbin/kwokcode
