Articles
思考档案
按文章风格写下的过门结论：问题定义、架构取舍、失败模式与开放边界。句子先在 Bench 筛选。
最新补充：AI 全栈开发的前端语言：从 UI 术语延伸到包管理、构建、发布与回滚。
AI 全栈开发的前端语言：把页面需求说清楚的术语手册
从 DOM、组件、布局、交互和 API 延伸到包管理、依赖锁定、构建流水线、环境配置、部署验证与回滚，建立一套可执行、可验证的 AI 全栈开发语言。
从 Gossip 到 Consensus：Multi-Agent 如何形成可信的集体认知
Gossip 负责传播，Evidence/Trust 负责判断，Consensus 负责必要的全局一致：从分布式系统重新思考 Multi-Agent 协作与 Agent Runtime。
IoT Agent 化：从设备能力到 Physical World Runtime
从设备能力标准化、Agent 模组、IoT Core 到 SaaS/PaaS，重新思考 IoT Agent 化：设备如何进入 Agent 世界，IoT 平台如何成为 Physical World Runtime。
ReAct 只是内循环：长周期 Agent 为什么开始需要 Harness 与 Runtime
从 ReAct 出发，区分 Action Loop、Task Loop 与 System Loop，理解 2025 年以后长周期 Agent 为什么越来越依赖 Harness、Durable Execution、Checkpoint、Verification 与 Runtime。
从 ReAct 到 Long-Running Agent：Harness 为什么开始成为 Agent 的第二增长曲线
ReAct 解决一步怎么走，Harness 让 Agent 能走很远，Runtime 让 Agent 能活很久。重新理解 2025 年以后长周期 Agent 的能力演进。
从 Transformer 到 Decoder-only：我重新理解大语言模型是怎么“学会”的
从 Self-Attention、Encoder / Decoder 到 Decoder-only，记录我对 Transformer 与大语言模型训练、推理机制的重新理解，以及从问题、误解到修正的思考过程。
从 LLM 到 Agent Runtime：当“预测下一个 Token”开始进入真实世界
从 LLM 的 Token 预测出发，继续追问 Context、Tool、Environment、Feedback 与 Runtime：模型产生下一步之后，系统如何让它真正进入现实并验证结果。
从 Spring、Dubbo 到 DeepSeek Harness：运行时架构为什么正在趋同
Spring 管对象，Dubbo 管服务，而 Agent Runtime / Harness 开始管理会自己决定下一步做什么的任务。相似的是 DI、Context、Event Bus、生命周期与适配层；不同的是动态决策、验证、热更新与能力生命周期。
从 Actor Model 到 Cognitive Actor：Claude Agent Teams 给 Agent Runtime 的启发
当 Agent 从一次调用变成长期运行、可并行、可协作、有状态的计算实体，系统重新遇到消息、调度、生命周期、监督与分布式路由问题。一个开放假设：Agent Runtime 可能是 Cognitive Actor System 的早期形态。
领域驱动设计 Agent 工具：从「动作推导」到「领域对象 × 动作」
设计 agent tool 的正确起点不是先枚举动作，而是先建领域模型。一句话坐标：领域对象 × 动作 = 工具；动作推导降级为完备性校验。
从 MES 到 Manufacturing Agent Runtime：当生产系统开始自己做决策
SHEIN 式制造的关键不是把 MES 加上一个 Copilot，而是把高频、动态、组合复杂的生产决策变成 Agent Runtime 的持续闭环。核心观点：不要替代岗位，要替代决策单元。
FDE 的新价值：识别业务复杂度，而不是简单交付 Agent
在 Agent 时代，FDE 的核心价值可以从“把产品部署到客户”转向“识别真实业务中的复杂决策单元，并判断哪些复杂度值得被 Agent 化”。
IoT Agent 化：从自动化平台到 Physical Infrastructure
Agent 不会消灭 IoT 的基础设施，而会解构过去为了服务人类而预先打包好的应用层确定性。契约留下，打包物被解包到运行时。
IoT Agent 化：从自动化平台到 Physical Infrastructure（二）
第一篇讨论“契约留下，打包物被解包到运行时”。这一篇继续往下追：当 Agent 真正进入物理世界，IoT 平台究竟应该提供什么？
AI 时代，企业真正需要解决的不是流程，而是生产与消费的平衡
当 AI 让生产、执行和运营越来越便宜，企业真正需要关注的可能不再只是流程效率，而是如何缩短需求、生产、消费与反馈之间的距离。
推理是规模红利，知识是外挂红利
企业为什么不全用小模型？因为「知识」和「推理」是两回事：知识天天变，该外挂；推理难压缩，才吃规模。真正的决策变量是任务链长度——单步 95% 正确，十步只剩 60%。
AI Agent 改造工业互联网：壁垒是数据闭环，不是模型
工业互联网的核心壁垒是「数据闭环 + 行业 know-how」。AI Agent 能加速数据→决策→执行的闭环，但行业知识门槛不会被轻易跨越；组织能力仍是决定性变量。
Agent 的评价：Proxy Metric ≠ Real Outcome
测试、API 状态和 outcome.ok 都可能 PASS，但用户仍然认为问题没有解决。Agent 的评价最终必须回到真实 Outcome。
Agent Optimizer：不训练模型，而是优化经验与策略
Agent 变强不一定首先意味着修改模型权重，也可以通过经验记忆、策略调整和工具调用方式的优化实现。
Agent 技能演化：从轨迹回流到可剪枝的程序性记忆
把执行轨迹蒸馏成技能已被两代工作证明有效，但「技能如何停止增长」被留给了未来工作。剪枝的关键转换：不追踪模型为什么用一节，只测量删掉之后效果变不变。
Agent Engineering：从 Workflow 到 Loop，再到 Control Plane
Workflow、Graph、Loop、Harness 与 Control Plane 并不是互相替代，而是 Agent 系统在不同不确定性和治理尺度上的不同工程层。
Kubernetes × Agent：从容器编排到目标收敛
K8s 管服务如何稳定运行；Agent Control Plane 管智能任务如何被分解、执行、验证并完成。核心是 Desired State 与 Actual Outcome 的持续拟合。
SaaS 电商平台的 Agent 思考
从某电商 SaaS 平台出发，讨论传统微服务、Workflow 与 Agent 如何演化，以及 Tool Gateway、Agent Control Plane 与 Outcome Feedback Loop。
IoT 平台的 Agent 重构
从某 IoT 平台出发，讨论 Device → Capability、规则引擎、云边端、Tool Gateway、Agent Control Plane，以及面向物理世界的 Outcome Feedback Loop。