徐同学

Java猿

[Bruce Guai @BruceGuai]

我们是如何构建当下领先的 Agent 产品架构的？

Matrix 不是一个 Agent，而是��套能长期运行的 Agent 公司架构。

这张图就是 我们最领先的 Agent harness 的底层架构。

Matrix 不是把所有文件、工具、权限都塞给一个巨大的 Agent，然后祈祷它别跑偏。

它是一套 Agent 公司 OS。
一个工作区，先变成公司的大脑：
代码、文档、文件、目��、规则、审批、历史任务、优秀样例、品味，都会进入同一个组织上下文。

在大脑之上，是 Matrix 的运行指挥层：
唤醒、定时任务、部门消息、OKR 状态、权限、模型路由、证据账本、记忆更新，都由它调度。

再往下，工作不再是一个聊天窗口里的随机对话，而是被拆成长期运行的部门：
创始人战略、产品工程、增长市场、运营支持、研究实验台。

每个部门都有自己的身份、记忆、技能、任务历史和独立上下文。
部门主导 Agent 负责读目标、分派任务、选择最合适的执行席位。
有些任务适合 Codex。
有些适合 Claude Code。
有些适合 Matrix 原生 worker。
有些必须交给浏览器和电脑自动化。
重点不是“一个模型做所有事”。

重点是：
正确的 Agent，拿到正确的上下文，待在正确的边界里，用正确的工具，最后用证据证明它真的完成了。

这也是为什么 Matrix 里最重要的不是聊天，而是闭环：
工作区大脑 → 部门主导 Agent → 执行 Agent → 产物 → 证据 → check-in → 记忆更新。

每跑完一轮，公司都会多一点记忆、多一点经验、多一点可复用的工作方法。

这才是我们理解的自进化 Agent。不是一个 Agent 只在虚空里改自己的 prompt，而是一个组织通过真实产物和证据不断复利。Matrix 要做的不是“更聪明的聊天机器人”。而是让每个人都能拥有自己的第一家 Agent 公司。

dm or 评论再给大家送一些测试额度，数量有限

[金尘马 @jinchenma_ai]

https://t.co/Yl6lmxihUf

[Hux @huxlab]

https://t.co/RjPUbhav7g

[WquGuru @wquguru]

https://t.co/1nh9OAj9w0

[数字生命卡兹克 @Khazix0918]

https://t.co/bH6jQSKscA

[Tw93 @HiTw93]

挺有趣，听朋友说我这几篇文章成为了现在 AI 岗位面试准备必读的文章，那我来汇总一下给大伙好啦，希望有帮助，当然也祝福最近从传统岗位工程师转型成 AI 岗位的小伙伴找到自己满意的工作。

1. 你不知道的 Claude Code：架构、治理与工程实践
https://t.co/p0RWjHcklI

2. 你不知道的 Agent：原理、架构与工程实践
https://t.co/4FXcGYqbaJ

3. 你不知道的大模型训练：原理、路径与新实践
https://t.co/DJuvPaBvhu

4. 你不知道的 AI Coding：非技术人的上手、场景与实战
https://t.co/TLi4q9XOtJ

5. 你不知道的 GEO：AI 可见性的原理、实践与取舍
https://t.co/VrLUqgucwR

6. 你不知道的具身智能：从小机器狗到 Optimus
https://t.co/bRBbRZXIZg

[Tw93 @HiTw93]

https://t.co/E0co9hYduz

[idoubi @idoubicc]

聊一聊 Agent 的存算分离架构设计👇

一个有灵魂，有记忆的 Agent，一次任务的生命周期包括以下步骤

1. 用户输入 query（text + files）
2. Agent 读取提示词文件（soul.md，identify.md，user.md 等）
3. Agent 读取可用的工具和技能（tools，skills 等）
4. Agent 读取记忆（memory.md，memory_search 查询）
5. Agent 构建上下文（prompt + tools + memory + query）
6. Agent 进入 Loop（LLM 调用 → 工具调用 → 观测 → 再推理）
7. Agent 交付结果（Artifacts）

什么需要存：提示词文件，工具和技能，对话记录，交付产物

什么需要算：上下文拼接，LLM 调用，工具调用

简单表示这个过程

fn(query, agent runtime) = artifacts

我们可以把 agent 运行方式简单分为三类

1. 本地裸机运行
2. 本地带沙盒（sandbox）运行
3. 云端多副本运行

---

1. 本地裸机运行，是 OpenClaw 之类 Agent 的常见模式。Agent 提示词文件、skills，对话记录（sessions）全部存在本地磁盘，Agent 执行任务时，会在固定 workspace 目录下运行，用户上传的文件、Agent 产出的文件全部落在同一个 workspace，Agent Loop 完全依赖本地文件构建上下文和执行工具调用，存跟算是一体的。

这种模式好处是足够简单，避免了额外的文件挂载开销，弊端在于安全性，比如 Agent Loop 执行了一个 exec(rm -rf /) 工具调用，很容易对宿主机产生破坏

2. 本地带沙盒运行，是 Codex 之类的 Agent 的常见模式。主要解决两个问题。一是防止 Agent 越权操作，提高安全性；二是解决宿主机的依赖缺失导致工具调用异常的问题。

Agent Loop 执行工具调用时，涉及到敏感操作或者有外部依赖时，把宿主机的 workspace 目录挂载到 sandbox，在 sandbox 执行工具调用，输出产物自动同步到宿主机的 workspace 目录

这种模式下的存算分离，只在工具调用环节引入 sandbox 来动态计算，存储主要靠宿主机的文件系统

3. 云端多副本��行，是 Manus 之类的工具型 Agent 的常见模式。主要特点是多租户，多任务，长时间运行

像 genspark claw，kimi claw，max claw 之类的托管版小龙虾，本质上是在云端多副本运行的助理型 Agent，每个用户有独立的提示词文件，动态安装的 skills，需要长期记忆

这类 claw 托管服务，最简单的实现方式是搭建一套 k8s 集群，在每个 pod 部署一套 Agent 框架（OpenClaw，harmes 等），通过 pvc 挂载云硬盘，实现对用户资料的持久化存储。通过负载均衡策略把每个用户的请求路由到固定的 pod，在同一个 pod 做 Agent Loop，存算是一体的，每个 Agent 有独立的运行空间。这种方案隔离性很好，不好的地方在于 pod 需要常驻，运行成本很高，难以规模化

---

云端 Agent 需要规模化（scalable），必然要结合 serverless 架构做存算分离。计算层依赖 k8s 集群的调度机制动态扩缩容，水平扩展 Agent 网关的并发处理能力

存储层结合 Agent 的运行生命周期，不同阶段的产物用不同的存储方案，主要分为四种

1. 热状态。Agent Loop 的 step，plan，游标等状态，用 kv（redis）来存，高性能，低延迟，用于异常重启后的断点恢复

2. 对话和任务记录。在任务完成后用关系型数据库（postgres）来存

3. 长期记忆。基于对话/任务记录做摘要，提取成记忆，用向量数据库（pgvector，milvus）来存

4. 工作产物。包括用户上传的文件，Agent 输出的文件，系统内置的 tools，动态创建的 skills 等，用对象存储（s3，oss）来存

---

以 FastClaw 为例，演示基于存算分离架构的云端 Agent 的运行过程👇

1. 一套 k8s 集群，日常 2 个 pod，部署 fastclaw gateway，接收用户请求

2. 负载均衡把用户请求路由到其中一个 pod，Agent 开始计算逻辑：

2.1 从 db 读取提示词文件（soul，identity，user）
2.2 初始化 pod 内一个临时目录作为 workspace
2.3 初始化 sandbox，挂载 workspace
2.4 从对象存储下载用户资料和系统 skills 到 workspace
2.5 调用 memory_search 工具，从向量数据库查询记忆
2.6 拼接上下文，调用 llm，解析工具
2.7 在 sandbox 执行工具调用，读写 workspace 内的文件
2.8 把 Agent Loop 过程中的状态设置为 checkpoint，保存到 kv
2.9 Agent 输出结果给用户

3. 通过惰性检查，把不活跃的 sandbox 关闭，关闭前把 sandbox 内 workspace 的文件上传到对象存储

以上的存算分离架构，计算层依赖 pod + sandbox，pod 水平扩容支持并发调用，sandbox 承接少量的工具调用，使用 e2b 作为 sandbox 可以做到秒级启动，构建 sandbox 池可以提高并发容错；存储层依赖 kv + db + vector db + oss 的组合使用，瓶颈在于 io 延迟

这套架构最大的挑战在于分布式多副本场景下的数据一致性，需要合理使用锁机制和负载均衡策略。

理解了这套架构，再去看 Manus，Claude managed agents 的实现，就很好理解了。

篇幅有限，不能详述细节，欢迎留言讨论。🤗

[Xiaowen @ixiaowenz]

分享一个我的实践：

- 把 A股数据存到本地一个 sqlite 文件里
- 数据结构，背景放提示词
- 你就得到了一个可以自动帮你读任何股票数据，对比历史趋势，分析量化参数，做历史回测的 agent 了

（不作为投资建议

[看不懂的SOL @DtDt666]

兄弟们周末就别沉迷刷抖音了。

强烈推荐花3个小时看完北京大学内部投资学习课程。

投资必看！李录演讲：全球价值投资与时代

时隔5年，李录这场160分钟的价值投资思想盛宴令人醍醐灌顶。

李录极少公开演讲，每一次都弥足珍贵，

尤其是他对价值投资在中国成功践行的深度思考，

为我们提供了宝贵的本土化经验。

2026年4月8日，Himalaya Capital（喜马拉雅资本）首次发布李录在北大光华管理学院价值投资课程十周年庆典上的主旨演讲视频《全球价值投资与时代》（演讲时间：2024年12月7日）。

关于李录：查理·芒格的合伙人，芒格所说的“一生中三个最成功的投资之一”，芒格家族资产的主要管理���，被芒格称为“中国的巴菲特”。

2008年，84岁的芒格在采访中提到：“人的一生不需要做很多投资，我的财富主要来源于三次投资——伯克希尔、好市多，以及李录的喜马拉雅基金。”

李录1997年在美国创立喜马拉雅资本，至今管理资金规模约80亿美元，长期年化回报��超过20%。近年来更为人津津乐道的是，李录力荐比亚迪给巴菲特和芒格投资，帮助他们获得超过30倍的收益，成为价值投资在中国成功践行的经典案例。

本次演讲核心内容：

主题一：我们时代的困惑是什么？

全球发生了很多变化，给投资人带来了许多困惑。

主题二：对这些困惑的深度思考

探讨困惑背后的原因和本质。

主题三：中等收入陷阱与国际关系

关于中等收入国家的跨越，以及对当今国际关系的看法。

主题四：全球价值投资人如何应对时代挑战

面对关税、贸易战等挑战，价值投资者的应对之道。
价值投资的本质 回顾价值投资的起源，阐述六条价值投资的基本理念。

精彩问答环节：

1. 优质公司明显高估时，何时减持？
2. 长期持有的运气与勇气：年轻人如何在不确定性中决策？
3. 美国3.0时代与中国的改革路径
4. 如何理解“便宜的公司”？P/E应该怎么看？
5. 优秀企业家有什么共性特点？
6. 投资的意义究竟是什么？

时隔5年，李录这场160分钟的价值投资思想盛宴令人醍醐灌顶。李录极少公开演讲，每一次都弥足珍贵，尤其是他对价值投资在中国成功践行的深度思考，为我们提供了宝贵的本土化经验。

特此推荐给朋友们，值得珍藏！反复观看、深度学习。

[Box (mainnet arc) @BoxMrChen]

我已经准备出书了，谁能联系一下出版社

share prompt：请根据claude code这份源代码帮我写一本《Claude Code源码编程思想》的书，使用team agent构建大纲，然后构建task list逐步完成所有章节，所有章节中需要用多个team agent共同运行，使用brainstram，文章内容结构参考《C++编程思想》

[徐同学 @ItXuhu]

I'm claiming my AI agent "hugo-assistant" on @moltbook 🦞

Verification: kelp-RLJP

[策引 @myinvestpilot]

🧧 春节礼物：写了约6.5万字的《从情绪化交易到系统化投资》，17篇文章，免费开放。

覆盖预测陷阱 → 杠杆数学真相 → AI协作边界 → 执行纪律 → All-in为什么是数学错误。

欢迎随时讨论或吐槽 👋

🔗 https://t.co/Tsx1mYw0cc

[Tw93 @HiTw93]

Manus 这篇文章值得一读 「AI代理的上下文工程：构建Manus的经验教训」
把不少内部探索过程中踩坑的东西给分享出来了，挺好的。
🤖 https://t.co/fYbyETSqRv

[Meepo @meepodev]

推荐两位中文区我最爱的讲解 AI 的大神，非常推荐大家去关注。我从两年前看 Prompt，LangChain，AI Agent，RAG，到今年 Cursor，Claude Code，都是看着他们的视频长大的。

对于大部分人来说，看他俩就够了🎉，而且他们的讲解，循序渐进，非常适合我这样的懒人，什么都给你做好了。

沧海九粟: https://t.co/NL5STq7G3Y

五里墩茶社: https://t.co/7o89QwnQOb

[向阳乔木 @vista8]

Claude 3.7 sonnet thinking真的太强了！

以后啥内容都想用它生成一遍。

可读性，美观度，全部大大提升，甚至比原文章还要易懂。

Demo和Prompt见评论

[Bear Liu @bearliu]

我34岁才重新拿起书本准备雅思，没想到一次就顺利拿到了 6.5 分。

每次和朋友提到这个经历，都会被问两个问题：

“三十好几了，怎么还有勇气去考雅思？“

“有什么学习技巧，可以一次就拿到6.5分？”

下面来聊聊我的雅思心得：）

[Xiaowen @ixiaowenz]

正式打算来写一个「蓄谋已久」的专栏。

在传统行业技术部门工作了将近二十年，有过很多坦率的说不可复制的经历，这些经历让我成长为一个自认为扎实合格的管理者。

这些涵盖硬技能，软技能，水下技能的职场思考，我记录在这个专栏里。

欢迎订阅，欢迎转发和推荐。

https://t.co/FN6jTjHtpi

[徐同学 @ItXuhu]

@Tisoga 对这块优化比较感兴趣，方便的话求分享下思路。感谢。

[徐同学 @ItXuhu]

@FreiheitYu 好的，感谢回复：）