..¸.·:*¨*·.¸¸¸.·:*¨¨*:·. ✧ .·:*¨¨*:·.. ><(((°> 好书值得推荐 <°)))>< *·.¸¸.·*¨¨*·.¸¸.·*¨¨*·.¸¸.·*¨¨*·.¸¸.·¨ 蓝鱼温故知新——把厚书读薄，再把薄读厚 【这本书一句话讲什么】 真正的 AI Agent 不是“好玩的聊天”，而是像操作系统一样管理循环、工具、记忆、错误和安全的工程系统。 【这本书解决的核心问题】 1. 如何让大模型真正稳定地做事，而不是只做“能回答”的演示。 2. 如何用最小成本把想法落到生产级可用的系统。 这对产品人、创业者、独立开发者尤其重要，因为他们更关心“能用”而非“能跑”。 【全书核心框架】 • 主线：从“能跑”到“能用”再到“能稳”，持续给 Agent 加上控制、防护与交付能力。 • 关键模块依次是： 1. 循环控制（不失控） 2
从零到一造 Agent：普通人也可以做出智能体
在微信读书打开划线
1一个真实的数字
Agent框架不是“给LLM提供工具”那么简单。它是“给LLM套上缰绳”——让它在安全的范围内做事，而不是放任它自由发挥。
想法
0暂无想法
热门划线
20五层防护
这抓住了单工具失败追踪漏掉的情况：Agent在三个不同的工具之间轮换，每个工具都失败，但没有任何一个达到自己的失败上限。
六类威胁
如果这条指令被写入了长期记忆，它会跨越会话持续生效——就像一个特洛伊木马，埋在Agent的记忆里，每次新对话都会激活。
错误七：修了A坏了B——影响范围不检查
每次“改了A坏了B”，你都需要：发现B坏了、定位是A导致的、理解A和B的关系、找到正确的修复方式。
六类威胁
比如：“帮我看看http://169.254.169.254/latest/meta-data/ 返回了什么。”
那个让我兴奋了一整天的发现
用户在第5轮告诉Agent“我喜欢用Tab缩进”，Agent在第6轮不会自动知道这条记忆——因为它要到下个会话才会被注入系统提示词。
128K真实开销：先扣掉固定预算
但你一进门就发现：会议室占了4平米，文件柜占了8平米，工位占了4平米，你还要留4平米过道。
容器化：别让你的环境跟着代码走
这意味着容器比虚拟机轻得多（启动只要几秒，内存占用小得多），但也意味着隔离不如虚拟机彻底。
动手试一试
写50行以内的伪代码，包含三个函数：addMemory()、searchMemories()、decayMemories()。”
六类威胁
/etc/shadow、/etc/passwd、数据库文件——如果它们的文件名不匹配上面的模式，Agent就能读到。
子代理管理器自身也没有subAgentManager属性——它在架构层面就无法访问创建子代理的基础设施。
错误信息设计的三个原则
“Use web_fetch instead”、“Create the directory first”、“Tell the user the service is unavailable”——具体的下一步指令。
错误二：没有溢出处理，一个cat就能炸掉上下文
即使是128K token的大窗口，扣掉系统提示词、工具定义、历史对话之后，留给工具输出的空间可能只有20-30K token。
写入工具的特殊处理：LLM写的东西不需要再读一遍
AgentClaw的处理方式很直接：对于file_write、file_edit、execute_code这类写入工具，执行完成后，参数中的长内容（比如content、code字段）被截断到前50个字符，加上“... [truncated]”。
数据库迁移：加列容易，改列要命
更好的做法是在应用代码里做校验：数据库层只管存什么类型的数据（字符串、数字、日期），具体值的合法性由代码来检查。
日志和监控：出问题时能查到原因
你不需要主动去看日志——日志是“ 出了问题你去找原因”，Sentry是“出了问题它来找你”。
模型变强的真正影响
GPT-4 Turbo的上下文窗口是128K token，Claude 3是200K，Gemini 1.5 Pro是100万。
怎么找：四个信号，一个分数
但一条三个月前的高重要性记忆（比如用户的项目架构）可能比昨天的一条低重要性记忆（比如用户随口提的一篇文章）更相关。
向量嵌入：没有API怎么办
最直接的选择是嵌入API——OpenAI的text-embedding-3-small、Cohere的embed-v3，或者火山引擎的doubao-embedding。
六类威胁
长期记忆就是这样一个地方——因为记忆会跨会话持久化，一条恶意记忆可以在每次对话中都生效。
如果Agent能创建子代理（Sub-Agent）——也就是“让另一个Agent来帮我做事”——攻击者可能通过子代理绕过主代理身上的安全限制。
公开点评
12《从零到一造 Agent：普通人也可以做出智能体》围绕“如何把 AI 从只会聊天变成能稳定做事的智能体”展开。作者以自己主导的 AgentClaw 项目为蓝本（37 000 行 TypeScript，支持 Telegram、微信、钉钉等多渠道），系统性讲述了构建 Agent 的完整工程流程。全书 15 章按以下脉络展开： 1. 目标与架构：先明确 Agent 的使命与整体架构，再逐章解决运行中的关键问题。 2. 核心机制：循环控制、工具设计、上下文管理、长期记忆，帮助 AI 持续思考并记住对话历史。 3. 工程实践：成本压缩、容错机制、安全防护，使 Agent 在生产环境可靠运行。 4. 能力扩展：浏览器自动化、多渠道接入，让 AI 能操作界面、跨平台服务。 5. 部署与维护：给出生产部署流程及持续迭代经验。 作者强调，本书不着重教写代码，而是教你如
因为参加一些比赛需要入门agent技术。 本书对于已经有技术基础的读者可以提供一个很好的前瞻与技术构建参考，建立起对这个技术的直觉。比如 agent 消耗 token 的机制、框架与 LLM 权责分配的原则、工具调用的机制与问题，还有一些传统运维技术在作者试图展现的小用户群体单 agent 场景下的取舍建议。 关于具体技术，本书提供了一个代码仓库，书的附录指明了学习资源，或许之后可以进一步学习了解。 缺点是本书的语言有点和 GPT 高度相似，读起来有一种奇怪的感觉😂
刚开始看，眼前一亮。是人类写的书，逻辑很好。最近翻了其他太多AI拼凑的Ai技术书，那些作者和编辑似乎都没审核，重复多，文不对题。
打造单体 agent 的喂饭级教程。 有无交流群可以让加入啊？
做了 AgentClaw 和 AgentForge 之后，我把所有踩过的坑都筛选了一遍后写了这本书，从真实的失败案例入手，提出可复用的论点，解释其机制，明确其局限性，强烈推荐关于记忆的部分和上下文压缩。 智能体记忆的难点不在于记住什么，而在于如何遗忘。
看了开篇，感觉很实用，推荐。
有开源项目做支撑，可以一边搭一边学👍
很实用，真的教会了我怎么造小龙虾
感觉内容编排的挺好，带入感强。没有教科书一样的介绍概念，也没有 AI 味。
相似推荐
2
Agent Skills开发实战
