XNews

代理人工智能系统 — 代理架构、技能与上下文管理

代理人工智能系统 — 代理架构、技能与上下文管理

收集的帖子描述了以代理为首的产品策略和工具:Manus 构建了一个基于云的“数字员工”(云浏览器),避免训练基础模型,使用多模型编排并保护用户隐私,由于计算限制(20028)控制邀请发布。研究表明,结构化锚定摘要(工厂方法)在长时间运行的代理中优于激进压缩;基于探测的评估(召回、工件、延续、决策)更好地衡量任务连续性(18687)。Opennote 的索引使用 Postgres + Cloudflare 边缘实现毫秒级动态检索,P99 ~209ms 和混合搜索;摄取管道去重块和增量嵌入(13530)。Claude 的技能是以提示驱动的技能文件夹,包含 SKILL.md,动态发现和预授权工具,使得安全、热更新的领域专家无需执行代码(13316)。Anthropic 引入了高级工具使用:工具搜索、程序化调用和示例,以减少令牌使用并扩展工具集(13534)。

Key insights

Manus 选择基于云的一般代理并避免训练基础模型

Manus 的创始人从本地的浏览器内 AI 原型转向云托管的“空中浏览器”模型,其中代理在持久的沙箱虚拟机中运行。他们故意避免内部训练基础模型,以防止产品迭代锁定,而是为不同任务编排最佳模型(Anthropic、OpenAI、Gemini)。Manus 将代理使用视为计算受限的“代理小时”指标,通过邀请系统提前限制,以避免立即的云过载,并优先考虑专业消费者客户。

结构化锚定摘要比最大压缩更好地保持任务连续性

对三种压缩策略(工厂锚定迭代摘要、OpenAI /responses/compact 和 Anthropic 结构化摘要)的评估发现,工厂的持久结构化摘要更准确地保持了意图、文件编辑、决策和下一步。该研究使用基于探测的评估(召回、工件、延续、决策),由 GPT-5.2 评审,尽管原始压缩比率较低,但工厂在准确性和上下文意识方面得分最高。

索引:一个基于 Postgres 和边缘运行时的毫秒级动态检索堆栈

Opennote 的索引针对个人知识的代理消费进行了优化:它使用 Postgres(pgvector、pg_trgm、tsvector)进行混合过滤和向量搜索,Cloudflare Workers/Hyperdrive 实现全球分布式运行时,块哈希摄取仅重新嵌入更改的块,并具有三层缓存(精确、语义、反向索引失效)。结果:P99 ~209ms,与 ChromaDB 的竞争性召回指标,同时支持动态多租户过滤。

Claude 技能实现安全、以提示驱动的热更新领域专家

Claude 的技能是基于 SKILL.md 的文件夹型工件,包含 YAML 元数据(名称、允许的工具、模型)以及 Markdown 指令。一个技能元工具动态发现可用技能,并将 SKILL.md 内容注入对话中作为高优先级系统提示;技能可以预授权有限的外部工具并强制使用特定模型。该设计提供了安全性(无任意代码执行)和无需重启的即时热更新。

Anthropic 的高级工具使用降低了大型工具集的令牌成本

Anthropic 引入了三种技术:一个工具搜索元工具以延迟加载未使用的工具定义,程序化工具调用(生成沙箱代码以编排多工具工作流),以及工具使用示例以澄清参数格式。这些显著减少了令牌消耗(例如,测试中令牌节省 85%),并提高了处理数百到数千个工具定义的代理的工具选择准确性。

实用代理设计需要多模型编排和仔细的资源控制

在帖子中反复出现的设计模式是一个“薄编排者”代理,它将意图路由到专业模型和工具,存储结构化持久摘要以保持连续性,并通过策划的模型选择和延迟工具加载来控制资源使用。工程权衡包括令牌成本、延迟、隐私(敏感任务的本地模型)以及需要基于探测的评估来验证长时间运行工作流的压缩上下文。

Source posts