Clarity

/

/

/

/

/

深入解析 Claude Code 的多层文件化记忆系统实现机制，涵盖 Auto Memory、Session Memory、Agent Memory 和 Team Memory 四层架构的存储位置、写入时机、召回策略及边界划分。核心设计采用目录+MEMORY.md索引的透明化文件存储，通过轻量检索器实现选择性记忆召回，

2026-07-26 6289 字约 20 分钟 22 访问量

Claude code的记忆

深入解析 Claude Code 的多层文件化记忆系统实现机制，涵盖 Auto Memory、Session Memory、Agent Memory 和 Team Memory 四层架构的存储位置、写入时机、召回策略及边界划分。核心设计采用目录+MEMORY.md索引的透明化文件存储，通过轻量检索器实现选择性记忆召回，

Claude Code 记忆系统 Agent设计上下文管理 AI原理开发工具

Claude Code Dynamic Workflow

2026-07-26

/

/

/

/

/

/

/

Anthropic 在 Claude Opus 4.8 中推出 Dynamic Workflows（动态工作流），解决单个 Agent 无法一次完成的大规模任务。与 Subagent、Agent Teams 不同，Workflow 将编排逻辑固化为本地 JavaScript 脚本，由确定性运行时调度数百个 subage

Claude Code Dynamic Workflow

2026-07-26 9344 字约 31 分钟 21 访问量

Anthropic 在 Claude Opus 4.8 中推出 Dynamic Workflows（动态工作流），解决单个 Agent 无法一次完成的大规模任务。与 Subagent、Agent Teams 不同，Workflow 将编排逻辑固化为本地 JavaScript 脚本，由确定性运行时调度数百个 subage

Claude AI智能体工作流编排 Subagent Anthropic 动态工作流并行计算代码迁移

AgentScope 在沙箱环境中执行内置工具模块设计

Cover Image of Claude Code Dynamic Workflow

2026-07-26

/

/

/

/

/

AgentScope 沙箱环境内置工具模块设计的复盘记录。作者面对为 Docker/E2B workspace 补齐 built-in tools 的需求，拒绝了 issue 中提出的"内置 MCP server"方案，转而抽象出 BackendBase 执行层，将变化点压缩到 exec_shell、read_file

AgentScope 在沙箱环境中执行内置工具模块设计

2026-07-26 1835 字约 6 分钟 30 访问量

AgentScope 沙箱环境内置工具模块设计的复盘记录。作者面对为 Docker/E2B workspace 补齐 built-in tools 的需求，拒绝了 issue 中提出的"内置 MCP server"方案，转而抽象出 BackendBase 执行层，将变化点压缩到 exec_shell、read_file

AgentScope 沙箱 MCP 后端开发架构设计工具模块

Saga 模式与状态机的结合：本质、实践与两种形态

Cover Image of AgentScope 在沙箱环境中执行内置工具模块设计

2026-07-26

Saga

/

/

/

/

/

Saga 模式是分布式长事务的核心解决方案，但其本质并非传统事务，而是放弃原子性与隔离性换取可用性和性能的业务级契约。文章深入剖析了 Saga 与状态机结合的必要性——状态机提供持久化"记忆"，使崩溃后的流程可恢复。重点对比了两种形态：正向状态机+前滚 Saga（只推进不回退，依赖幂等重试，适合难以撤销的场景）与正逆状

Saga 模式与状态机的结合：本质、实践与两种形态

2026-07-26 3436 字约 11 分钟 25 访问量

Saga 模式是分布式长事务的核心解决方案，但其本质并非传统事务，而是放弃原子性与隔离性换取可用性和性能的业务级契约。文章深入剖析了 Saga 与状态机结合的必要性——状态机提供持久化"记忆"，使崩溃后的流程可恢复。重点对比了两种形态：正向状态机+前滚 Saga（只推进不回退，依赖幂等重试，适合难以撤销的场景）与正逆状

Saga 状态机分布式事务微服务补偿机制幂等性

Vibe Coding 进阶之路:从氛围编程到工程化实践

Cover Image of Saga 模式与状态机的结合：本质、实践与两种形态

2026-07-26

/

/

/

/

/

/

/

/

/

Vibe Coding 并非让 AI 代写代码后躺平，而是将开发者角色从"手写代码"转向"清晰表达需求、验证结果"。文章提出三阶段演进路径：Vibe Coding（感觉驱动快速迭代）→ Spec Coding（规格文档先行，减少 AI 瞎猜）→ Loop Programming（设计自动化循环让 AI 自主运行）。重点

Vibe Coding 进阶之路:从氛围编程到工程化实践

2026-07-26 1909 字约 6 分钟 20 访问量

Vibe Coding 并非让 AI 代写代码后躺平，而是将开发者角色从"手写代码"转向"清晰表达需求、验证结果"。文章提出三阶段演进路径：Vibe Coding（感觉驱动快速迭代）→ Spec Coding（规格文档先行，减少 AI 瞎猜）→ Loop Programming（设计自动化循环让 AI 自主运行）。重点

AI助手 Vibe Coding Loop Programming Superpowers Spec Coding ReAct TDD Harness工程 AI智能体工程化实践

Cover Image of Vibe Coding 进阶之路:从氛围编程到工程化实践

工业级的 RAG 优化选型

2026-07-26

RAG

/

/

/

/

/

/

/

/

/

工业级RAG优化需围绕完整闭环展开：从知识工程（语义切分、元数据Tag、冲突治理）、Query改写（多路改写与模型微调）、检索召回（混合检索、GraphRAG、标签加权）、Rerank与截断优化，到可信生成（证据约束RL、URL校验）和反馈闭环。核心在于让知识持续更新、证据稳定召回、模型按证据回答，并通过线上数据回流实

2026-07-26 5099 字约 16 分钟 18 访问量

工业级的 RAG 优化选型

工业级RAG优化需围绕完整闭环展开：从知识工程（语义切分、元数据Tag、冲突治理）、Query改写（多路改写与模型微调）、检索召回（混合检索、GraphRAG、标签加权）、Rerank与截断优化，到可信生成（证据约束RL、URL校验）和反馈闭环。核心在于让知识持续更新、证据稳定召回、模型按证据回答，并通过线上数据回流实

RAG 检索增强生成大模型向量检索 Query改写 GraphRAG 知识库 LLM embedding 多Agent协作

2026-07-26

/

/

/

/

父子索引是一种索引设计模式，用于处理一对多关系的数据存储与查询。通过让父文档和子文档在逻辑上关联但物理上独立存储，解决了嵌套存储导致的文档膨胀、更新开销大，以及搜索引擎中 JOIN 查询性能差的问题。核心机制是子文档保留 parent ID，支持 has_child 和 has_parent 双向查询，适用于评论系统、

后端开发

2026-07-26 1040 字约 3 分钟 22 访问量

父子索引是什么，解决了什么问题

父子索引是一种索引设计模式，用于处理一对多关系的数据存储与查询。通过让父文档和子文档在逻辑上关联但物理上独立存储，解决了嵌套存储导致的文档膨胀、更新开销大，以及搜索引擎中 JOIN 查询性能差的问题。核心机制是子文档保留 parent ID，支持 has_child 和 has_parent 双向查询，适用于评论系统、

全文搜索性能优化系统设计后端开发 Elasticsearch

多路召回设计

2026-07-26

RAG

/

/

/

/

/

/

多路召回是现代搜索与RAG系统的核心架构设计。文章系统解析了三大关键技术环节：BM25作为传统稀疏检索的标杆算法，通过词频饱和度与文档长度归一化改进TF-IDF；RRF（倒数排名融合）解决多路召回分数不可比问题，仅依据排名位置进行粗排融合；以及基于Cross-Encoder的精排模型，通过查询与文档的深度交互实现高精准

2026-07-26 2039 字约 6 分钟 28 访问量

多路召回设计

多路召回是现代搜索与RAG系统的核心架构设计。文章系统解析了三大关键技术环节：BM25作为传统稀疏检索的标杆算法，通过词频饱和度与文档长度归一化改进TF-IDF；RRF（倒数排名融合）解决多路召回分数不可比问题，仅依据排名位置进行粗排融合；以及基于Cross-Encoder的精排模型，通过查询与文档的深度交互实现高精准

RAG 全文搜索检索增强生成向量检索 embedding Query改写大模型

RAG基础结构

2026-07-26

RAG

/

/

/

/

/

/

LLM

RAG（检索增强生成）通过让大模型在回答前先从外部知识库检索相关信息，解决了传统大模型知识静态、不可追溯的痛点。文章详细拆解了RAG的完整流程：数据准备阶段涵盖数据提取、文本分割（递归字符分割、Markdown结构分割、Small-to-Big父子索引三种策略）、向量化（对比BGE、M3E、OpenAI等Embeddi

2026-07-26 4439 字约 14 分钟 22 访问量

RAG基础结构

RAG（检索增强生成）通过让大模型在回答前先从外部知识库检索相关信息，解决了传统大模型知识静态、不可追溯的痛点。文章详细拆解了RAG的完整流程：数据准备阶段涵盖数据提取、文本分割（递归字符分割、Markdown结构分割、Small-to-Big父子索引三种策略）、向量化（对比BGE、M3E、OpenAI等Embeddi

RAG 大模型检索增强生成 embedding 向量检索 LangChain LLM