AI编程

Agent 的多轮上下文通常保存在内存中，程序一退出就会丢失。掘金“从零构建 Agent”系列第十篇展示了如何用 JSONL 保存完整消息、工具调用关系和会话标识，并在重启后恢复历史，让 Agent 跨进程继续对话。

AI Agent 框架选型不能只看谁更能回答问题。本文以制度查询助手为例，拆解 LangChain、LangGraph、LlamaIndex 在调用组织、状态控制、检索与可维护性上的边界。

JavaManus 以不到 30 个 Java 文件展示了一个可接入 Spring Boot 的轻量 Agent 框架，拆解了 ReAct 循环、工具编排、记忆管理与模型适配的关键工程问题。

gstack 不是普通 Copilot 增强工具，而是一套把 AI 模型组织成 23 个专家角色的开源开发工具链，试图让单个开发者拥有完整工程团队的流程能力。

pstack-claude 尝试把 Cursor 上的技能栈抽象成标准化原语、角色路由与本地化验证流程，并迁移到 Claude Code、Codex、Pi 等 AI 编码代理中。

在 RuoYi-Vue-Plus 中集成 AgentScope Harness，关键不只是调用大模型，而是如何把智能体装配、工具白名单、MCP 适配和会话级资源管理纳入 Java 中台工程体系。

在代理网络环境中使用 Codex 时，频繁出现的 Reconnecting 提示往往不是模型推理缓慢，而是客户端直连失败后的重试过程。通过修改一行配置，可以让 Codex 直接使用系统代理，减少等待时间。

一次任务 API 故障显示，AI 生成的代码虽然能通过常规测试，却可能把合法的 false 误判为无效值。问题不在语法，而在需求表达、测试覆盖和语言语义边界。

LangSmith 的意义不只是调试工具，而是让 RAG 与 Agent 的执行过程、成本消耗和评估基础变得可见、可控、可追踪。