Mind

Blog📰:

[CyrilXBT @cyrilXBT]

https://t.co/O0pmTcjwGL

[Ren @FakeMaidenMaker]

https://t.co/ao42TbQ0HL

[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. 云端多副本运行，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。🤗

[Jiayuan (JY) Zhang @jiayuan_jy]

如何从 0 到 1 玩转 Multica，开始搭建属于自己的 AI 开发团队。

视频来自 @alanhe421

https://t.co/a5i4lHKOiP

[Serenity @aleabitoreddit]

在 X 上看到这么多中文社区的支持，真的让人很开心！

这体现了种非常有趣的文化差异：

大家会试图了解我的思考过程和选股逻辑，并以此来完善自己的投资体系。

相比之下，其他些文化背景的人可能上来就会全盘否定。

也许我会为了好玩，开始写写对两支中国股票的看法，哪怕我并没有持仓。

[AYi @AYi_AInotes]

哇靠， 50个GPT-5.4同时开工，
一天之内关闭了4000个GitHub issue，

OpenClaw 之父steipete昨天上线了Clawsweeper，一个专门治理代码洪流的AI维护机器人，

它24小时不间断扫描仓库里所有的issue和PR，只在证据极强的时候才建议关闭，

理由严格限定为5类，绝对不会乱关，最酷的是它没有任何传统仪表盘，

所有运行状态和统计数据直接实时写回README，极简到了极致，

50个AI agent制造了垃圾，现在用50个AI agent来清理，

以前大家都在吹AI写代码有多厉害，现在才发现，AI治理代码才是真正的刚需，

我之前也觉得这就是个高级stale bot，看完才反应过来，

这压根不是一个清理工具这么简单，更像是开源维护范式的彻底改变，

以前是人盯仓库，永远跟不上AI生成的速度，现在是AI管AI，维护成本再也不是开源项目的瓶颈了，

现在唯一的限制已经不是模型不够强，关键看GitHub和OpenAI的rate limit，

等这个问题解决了，整个GitHub的陈年垃圾可能都会被扫一遍。

老规矩GitHub地址评论区自取：

[汗青 HQ @hq4ai]

我们首次与理想汽车合作，用AI李想整了段活儿，看数据是要爆一下了。
Yuri也正式开启和理想的合作，这次先是音乐。
23年开始我们用AI尝试做“人”，庆幸一路的累积都有价值。

[李不凯正在研究 @libukai]

https://t.co/XI6ayn5JSr

[艾略特 @elliotchen100]

看了一下 CC 的 Memory 机制，不过如此嘛。

整套记忆系统的核心就是一个 MEMORY.md 文件，不超过 200 行，每次会话启动往上下文里一塞。记忆多了怎么办？

后台跑一个叫 AutoDream 的子进程，定期扫描、合并、修剪，确保塞得进去。

说白了就是：模型自己记不住，所以用文件系统 + LLM 自我管理来模拟记忆。

这个方案工程上很扎实，但有几个本质局限：

1. 存储和检索完全依赖文件系统 + Markdown，无法扩展到跨项目、跨 Agent 的场景，记忆是孤岛式的
2. 没有真正的语义索引，没有基于关联度的动态召回，200 行索引就是硬上限
3. AutoDream 的整合是规则驱动的（扫描、合并、修剪），不是认知驱动的，能去重压缩，但不能从经验中提炼出新认知
4. 没有遗忘曲线，没有记忆强化机制，记忆要么在要么被删，没有中间态

做 Memory 做久了你会发现，这类方案的天花板其实不在工程，在架构。只要模型的注意力机制本身不支持大规模历史上下文的高效检索，应用层就永远在打补丁。

这也是为什么我们在 EverMind 选了一条不同的路。前阵子发的 MSA（Memory Sparse Attention）就是在 Transformer 注意力层直接做内容感知的稀疏路由，让模型自己学会"想起什么、忽略什么"，而不是靠外部脚本替它决定。

A 社的工程能力毫无疑问是顶级的。但这次泄露恰好说明：Agent Memory 这个问题，远没有被解决。

[艾略特 @elliotchen100]

论文来了。名字叫 MSA，Memory Sparse Attention。

一句话说清楚它是什么：
让大模型原生拥有超长记忆。不是外挂检索，不是暴力扩窗口，而是把「记忆」直接长进了注意力机制里，端到端训练。

过去的方案为什么不行？
RAG 的本质是「开卷考试」。模型自己不记东西，全靠现场翻笔记。翻得准不准要看检索质量，翻得快不快要看数据量。一旦信息分散在几十份文档里、需要跨文档推理，就抓瞎了。

线性注意力和 KV 缓存的本质是「压缩记忆」。记是记了，但越压越糊，长了就丢。

MSA 的思路完全不同：
→ 不压缩，不外挂，而是让模型学会「挑重点看」
核心是一种可扩展的稀疏注意力架构，复杂度是线性的。记忆量翻 10 倍，计算成本不会指数爆炸。
→ 模型知道「这段记忆来自哪、什么时候的」
用了一种叫 document-wise RoPE 的位置编码，让模型天然理解文档边界和时间顺序。
→ 碎片化的信息也能串起来推理
Memory Interleaving 机制，让模型能在散落各处的记忆片段之间做多跳推理。不是只找到一条相关记录，而是把线索串成链。

结果呢？
· 从 16K 扩到 1 亿 token，精度衰减不到 9%
· 4B 参数的 MSA 模型，在长上下文 benchmark 上打赢 235B 级别的顶级 RAG 系统
· 2 张 A800 就能跑 1 亿 token 推理。这不是实验室专属，这是创业公司买得起的成本。

说白了，以前的大模型是一个极度聪明但只有金鱼记忆的天才。MSA 想做的事情是，让它真正「记住」。

我们放 github 上了，算法的同学不容易，可以点颗星星支持一下。🌟👀🙏

https://t.co/Or3PVUv67q

[Kenny.eth @_0xKenny]

再次总结 - GitHub过去一周Coding AI开源项目星数增长Top20

1openclaw (+8.4k)
开源个人AI助手（龙虾），本地运行，支持连接WhatsApp、Telegram等任意消息平台，实现全自动化任务。
https://t.co/UNjZdVhawt

2autoresearch (+6.8k)
Karpathy大神新作：AI代理在单GPU上自主进行LLM训练实验和研究优化。
https://t.co/3tQ5JAYd97

3agency-agents (+6.4k)
完整AI代理“公司”框架，内置51+专业人格代理（前端、社区、QA等），一键搭建AI团队。
https://t.co/GUlpR2vr3W

4MiroFish (+3.6k)
多智能体群智预测引擎，通过模拟平行数字世界预测新闻、政策、金融等现实事件。
https://t.co/GBmrXef8xQ

5paperclip (+3.2k)
AI代理编排平台，把多个代理组成“零人力公司”，统一管理目标和成本。
https://t.co/uYOUEVLXFo

6CLI-Anything (+2.7k)
一键让任意软件生成CLI接口，让OpenClaw/Claude等AI代理轻松控制传统GUI应用。
https://t.co/DfPEZ1cyvK

7everything-claude-code (+2.6k)
Claude Code全家桶工具包，包含技能、代理、钩子、规则等优化配置。
https://t.co/qb5hz8JFA1

8gstack (+2.1k)
YC总裁Garry Tan分享的Claude Code实用技能栈，实现CEO/PM/QA等专业工作流。
https://t.co/ZjuVb3uqf9

9superpowers (+2k)
AI编码代理技能框架+结构化开发方法论（spec→plan→TDD→review），让代理更专业。
https://t.co/qZJuR65Tiu

10RuView (+1.5k)
WiFi信号转人体姿态/生命体征检测的边缘AI感知系统（无摄像头、无隐私泄露）。
https://t.co/e5MhhyGLoB

11page-agent (+1.5k)
Alibaba开源的网页内GUI代理，用自然语言直接控制浏览器界面（一行代码集成）。
https://t.co/bGXDW47Ha1

12skills (+1.4k)
OpenAI Codex技能目录，为AI编码代理提供可复用任务指导和脚本。
https://t.co/Xg75atYpTs

13awesome-openc la… (+1.4k)
OpenClaw技能awesome列表，收集数千个实用扩展和真实用例。
https://t.co/IKQw2147LL

14public-apis (+1.1k)
经典免费公共API集合，AI代理集成外部数据的必备宝库。
https://t.co/VZQl45jO7N

15cli (+1.1k)
Google Gemini CLI终端AI代理，支持代码生成、调试和复杂自动化任务。
https://t.co/5EDmXhoyLB

16OpenViking (+1.1k)
AI代理专用上下文数据库（文件系统范式），管理记忆/资源/技能，支持自演化。
https://t.co/lmlXWnwoNM

17BitNet (+1.1k)
Microsoft 1-bit LLM官方推理框架，极低资源运行大模型（CPU/GPU）。
https://t.co/uq0ZT5TOBN

18AstrBot (+1k)
多平台Agentic聊天机器人框架（QQ/微信/Telegram等），支持RAG、工具调用和子代理。
https://t.co/Tv3wBoXMS1

19worldmonitor (+1k)
AI驱动的全球实时情报仪表盘，聚合新闻、地缘政治和基础设施监控。
https://t.co/z1reWnF5YE

20browser (+958)
专为AI代理设计的无头浏览器（Lightpanda），高速网页自动化和LLM训练支持。
https://t.co/ws1loWODsi

[阿蔺A-Lin @alin_zone]

https://t.co/j9mXC1SILX

[Mind @gaomind]

哈哈

[Fenng @Fenng]

你有哪些给 20 岁的年轻人的忠告系列之：

[静曼婉儿 @BGlayds30098]

哈佛研究發現斷絕孩子手機上癮最快的偏方：麵包效應

[iGeekbb @igeekbb]

如今我好像明白什么是普通人了

[Kieran Zhang @ninthbit_ai]

https://t.co/STBpES2Bm2

[Wang Shuyi @wshuyi]

解答星友疑惑，对几个相关概念做了讲解和辨析：

[超级个体｜柿子 @yaohui12138]

我在百度做PM那几年,发现一个特别有意思的事

技术团队开会,聊的永远是架构、性能、代码优化
运营团队开会,关心的是DAU、转化率、活动RO
商务团队开会,盯着的是签约额、客户关系、商务谈判

每个团队都觉得自己的事最重要,自己的方法论最科学
更诡异的是，他们看不见彼此的价值

技术觉得运营只会提无脑需求
运营觉得技术只会说"做不了"
商务觉得产品不懂生意

每个人都活在自己的"正确"里

其实想了一下，这不是大厂独有的问题

这是所有人都会遇到的认知陷阱

你在一个圈子待久了

那套话语体系、评价标准、行为模式就会固化成你的操作系统

体制内的人张口就是编制、级别、退休年龄
创业圈的人满脑子都是PMF、融资、增长黑客
打工人念叨的永远是KPI、跳槽、涨薪

每个圈子都有一套自己的"成功学"

问题不在于这些规则本身

问题在于:你以为这就是全世界的规则

这就是你的认知边界

我刚从大厂出来做独立开发者的时候
花了很久才意识到一个残酷的事实

在大厂那套"需求评审→排期→上线→复盘"的完美流程

在超级个体这里完全不work

用户不care你的需求文档写得多漂亮

他们只在乎：你的东西能不能马上解决我的问题

这就是圈层差异带来的认知断层

大多数人其实意识不到自己在塔里

他们会说:

"我这行就是这样的"
"行业规则就是如此"
"不这么做肯定不行"

这种笃定的语气背后，是认知的固化

PM这个岗位教会我最重要的一件事:

跨部门协作的本质,就是在不断打破认知边界

你得学会用技术的语言跟工程师沟通
用数据的逻辑说服运营
用商业价值打动老板

不是你厉害，是你被逼着在不同的"象牙塔"之间来回切换

久而久之你就会发现

原来世界不只有一套规则

每个圈层都有自己的信息密度、认知深度和价值判断

真正的认知升级,不是学会某个圈子的规则
而是能在不同圈子之间自由切换

结合我的过往经历，总结了我实践过的3个具体的方法

方法1:主动接触"不舒服"的圈子

如果你是技术
去跟销售聊聊他们怎么谈客户
去看看运营怎么做活动策划
如果你是运营
去了解技术架构的底层逻辑
去理解为什么有些需求"做不了"
不是为了转行
是为了看见更大的世界

方法2:用翻译思维沟通

我做PM时有个习惯

跟技术沟通,我会把需求翻译成"技术实现成本"
跟运营沟通,我会把功能翻译成"用户价值"
跟老板汇报,我会把进度翻译成"商业回报"

同一件事

在不同圈层里要用不同的语言表达
这不是八面玲珑
这是降低信息不对称的成本

方法3:定期"反思"自己的认知边界

每个季度问自己:
我最近接触了哪些新领域

我的信息来源是否过于单一
我是否在用老方法解决新问题

如果答案都是"没有"
那你大概率正在塔里

AI时代,超级个体最大的竞争力不是掌握某个工具

而是跨圈层的认知整合能力

技术圈的人懂产品思维
产品圈的人懂商业逻辑
商业圈的人懂技术趋势

这种 T型人才 才能在信息密度爆炸的时代里
看到别人看不见的机会

如果你现在的朋友圈、信息源、话题都高度一致
如果你听到不同观点的第一反应是反驳而不是好奇
如果你觉得我这行就是这样

那恭喜你
你已经在塔里了

突破的第一步
不是学什么新技能
而是承认:我可能活在一个我不知道的认知泡泡里

[沉浸式翻译 @immersivetran]

这个一定要推荐给你们！！！昨天刷到了一个宝藏书库 https://t.co/3UskGQgU9a，它厉害的地方在于：不是让你在海量书海里随便翻，而是把「人」放在前面。

它不是那种常见的「大而全书库」，而是专门去整理“世界上最成功、最有影响力、最有意思的人”都推荐过什么书。

这网站做得很克制，只干一件事：从公开信息里，把这些人的书单扒出来，认真整理给你看。

他们说自己分析了上万条公开推荐，最后筛出 8000+ 本被高频提到的书，等于帮你提前做了一遍“质量过滤”。

你可以按行业筛人：创业、科技、写作、媒体、投资、娱乐、体育等，各个圈子的代表人物都在里面。​

如果你是在创业，想拉升自己的决策水平，那最简单的玩法就是：
先选 3–5 个你很认可的创始人或投资人，把他们重复推荐的那批书列出来，这就是你接下来一两年的核心清单。

相比到处搜“创业必读 50 本”，这个清单更像是“实战派给你开的处方”。

网站还有一个「All books」和「Most Recommended」专区，把所有书按分类和“被推荐次数”做了拆分。

你想看自我提升，就进 self improvement；想提升判断力，就看 psychology、business、economics 这些分类，所有书都是真实有人推荐过，而不是机器人拼出来的列表。

对普通读书人，它解决的痛点：
第一，信息太噪音了。
到处都是“年度必读”“改变命运的十本书”，但很多书一年后就没人提。
https://t.co/3UskGQgU9a 反其道而行，它不跟你玩情绪冲击，只给你看一个事实：哪些书，在不同的人、不同时间点，被一再提起。

第二，时间有限，不想再乱投。
我们这一生真正能完整读完、认真吸收的书，其实就那么几十到一两百本。
如果你承认这是现实，那问题就变成了：怎样让这几十本的“命中率”尽可能高？
这时候，跟着那些你认可的高成就者，去看他们反复推荐的书，是一个非常朴素但有效的策略。

第三，不知道怎么搭「阅读结构」。
有的人书买得很多，但书架像杂货铺：一点心理学、一点理财、一点故事，没有主线。
https://t.co/3UskGQgU9a 间接逼你先想清楚一个问题：你想成为什么样的人？
想提升写作，就去看成功作家在读什么；想写内容，就看媒体人和创作者在读什么；想走投资这条路，就看投资人密集推荐的那几本经典。

https://t.co/3UskGQgU9a 走的是一条很“人工”的路：
它不听你的历史行为，而是直接把你丢到一群厉害的人中间，让你自己选——你更想谁来当你的“阅读教练”。
与其被算法温柔包裹，不如主动对齐你认可的人，这就是它最大的杀伤力。

它特别适合这三类人：

想提升自己的知识密度，但不想再被各种“碎片化鸡汤”绑架

想认真做内容、写作、产品、投资，需要一套长期可复用的知识底座。

已经被各种书单刷麻了，开始在意“谁在推荐”远大于“书封面有多好看”。

[Marvix @nanshanjukr]

https://t.co/t45NxDaG8A