Google Cloud 分享了构建最多存活7天的AI Agent的5种设计模式：检查点恢复（按批次持久化进度）、委托审批（暂停时零资源消耗、秒级恢复）、分层记忆治理（记忆银行、记忆档案、代理身份/注册表/网关防漂移与泄露）、环境感知处理（事件驱动代理，策略外化至网关免重部署）、舰队编排（独立部署专精代理，故障不级联）。每种模式包含ADK代码示例与架构图，并讨论了生产化挑战如记忆漂移和策略外化。面向需要将Agent从对话机器人扩展为自主工作者的开发者。
YC 首席执行官 Garry Tan 以第一人称视角详述了其累计 10 万页、100 余个技能的 AI 智能体系统 GBrain 的构建历程与核心架构。文章反驳了将 AI 视为聊天窗口的浅层用法，提出“瘦胶水、胖技能、胖数据”的设计哲学：以 OpenClaw 等轻量级运行体作为调度层，将可复用的工作流封装为自包含的技能（skill），并通过一个名为 Skillify 的元技能来迭代创建新技能。文中以“书籍镜像”工作流（将书中观点映射至个人人生经历）为例，展示了从最初包含事实错误到引入多模型交叉校验、深度检索的演进过程，以及会议预演、实体传播等场景如何依赖持续增长的上下文图谱实现自动化。全文提供具体的架构说明、代码仓库链接与启动指南，适合希望构建可不断增值的个人 AI 基础设施的一线开发者阅读。
Ramp 的 MCP 周活用户三个月增长 10 倍，Salesforce 发布 Headless 360 宣告 UI 不再是必备——软件交互的 80% 正转向 Agent。文章提出新的交互模式：用户→用户 Agent→软件 Agent→数据库，并给出三条给产品团队的实践原则：主动向调用方 Agent 提供成功所需上下文（如 Notion MCP 预加载 Markdown 规范）；通过 rationale 参数、反馈工具和种子数据建立 Agent 交互的观察与改进闭环；在 Agent-to-Agent 交互中，明确双方各自持有的上下文优势，填补信息鸿沟。适合正在为 Agent 接口设计产品的工程师和产品经理。
本文展示如何将 Codex 从单一代码助理扩展为围绕持续性工作线程构建的多工具系统。读者将了解到：利用置顶线程与快捷键(Command-1~9)实现跨会话上下文保持；通过语音输入粗糙想法并交由 Agent 整理；使用中途干预(steering)和任务排队(queuing)在运行中调整方向；设置按心跳触发的线程自动化（如周期性检查 Slack/Gmail）；以及定义带测试验证的长期目标(Goals)。此外，侧面板支持内联审阅各类制品，Obsidian 宝库作为共享记忆层记录跨线程决策。适合希望将 AI 助理深度融入日常工作流的工程师。
本文深入剖析了驱动现代 AI Agent 的核心基础设施——Agent Harness（代理框架）。作者综合 Anthropic、OpenAI、LangChain 等一线实践，梳理出生产级 Harness 的 12 个组件：编排循环、工具、记忆、上下文管理、提示构建、输出解析、状态管理、错误处理、护栏、验证循环、子代理编排。文章强调，Harness 才是 Agent 性能的真正瓶颈：LangChain 仅改变 Harness 便使 TerminalBench 排名提升 20+ 位；Claude Code 通过精心设计的记忆分层实现 95% 的上下文缩减。适合正在构建或优化 Agent 系统的工程师阅读，避免重蹈“模型强但系统弱”的覆辙。