没人使用的长尾：工具带是如何变得尾大不掉的
你给智能体增加的每一个工具，都在削弱它选择正确工具的能力。那几十个无人问津的工具正在悄悄降低那三个核心工具的被选概率 —— 本文将探讨如何保持工具目录的精简与高效。
与先验对抗：当模型掌握了错误版本的技术栈时
你的编程模型并不是对你的框架一无所知 —— 它掌握的是一个自信但错误的版本。本文将探讨为什么模型的先验知识会战胜你提供的上下文，以及哪些对策能真正奏效。
技能是过程性知识的包管理器
RAG 检索事实，但过程性知识必须完整加载或根本不加载。为什么 Agent 技能的表现类似于包生态系统 —— 以及为什么你的操作手册现在需要版本控制、测试、代码审查和负责人。
智能体流水线中的“传声筒”游戏
在多智能体系统中，每一次交接都是未经调优的有损压缩：约束条件失效、限定词消失，且错误在多个跳转间不断累积。本文将探讨如何衡量单次交接的信息损耗，决定哪些内容需要逐字传递，并利用 Schema 而非提示词来解决这一问题。
你的上下文流水线需要一份新鲜度 SLA
大多数 “幻觉” 其实是伪装下的新鲜度事故。上下文窗口是基于十个上游数据源的物化视图 —— 它像任何其他数据流水线一样，需要血缘追踪、新鲜度 SLA 和回填计划。
文档复兴：你的 README 是 Agent 的核心上下文界面
二十年来，文档一直是美好愿景的坟墓。编程 Agent 扭转了这一局面：你的 README 现在是可执行的上下文，其质量直接决定了任务的成败。
你的 Agent 每一轮都在重新生成对话摘要，只因缓存键包含了一个时间戳
一行为了调试而做的代码变更，在摘要缓存键中加入了一个时间戳，导致 LLM 账单在两周内悄无声息地翻了三倍 —— 本文探讨了为什么缓存键是一项契约而非简单的工程细节，以及为什么缓存命中率必须作为核心观测指标。
那个把用户的字面问题“改写”没了的摘要器
对话摘要器会将旧的轮次压缩成改写后的文字，这往往会丢掉用户问题所依赖的核心动词，导致模型在第 41 轮对话时自信地回答了一个错误的问题。你应该把摘要器视为关键路径上的模型：锁定用户的确切原话，评估实体覆盖率，不要再让 Token 预算的旋钮来决定你的产品会忘记什么。
那个基于已被你的上下文剪枝器丢弃的事实进行分支的智能体计划
当上下文剪枝器驱逐了后续计划步骤隐式依赖的工具结果时，智能体会继续针对已不存在的证据进行分支处理——而其追踪记录看起来就像是幻觉。
那个‘总结’掉用户原始提问的压缩策略
自动总结保留了对话脉络，但悄然改变了下游工具所依赖的字面表述。本文将探讨该 Bug 是如何出现的，以及如何针对它进行架构设计。
抹除后续问题所需上下文的对话记忆修剪启发法
基于近因和长度的修剪会剔除后续轮次默默依赖的约束，而用户会将言之凿凿的错误回答视为能力退化。修剪是检索的对偶，那些为了 Token 数量而调整修剪策略的团队，正在悄然降低回答质量。
对话树：你的服务器作为日志存储的对话结构
聊天界面允许用户编辑和重新生成消息，而后端则静默地将每一次修改追加到线性日志中 —— 结果就是模型在回答那个用户以为已经撤回了的对话。