Agent常见沙箱技术解析
最近AI Agent技术火热，大家都很感兴趣，不少同学都已开始实践。在落地的过程中，有一对矛盾始终绕不开：
1、必须给Agent赋能和赋权，否则Agent就没有行动力
2、必须管控好Agent，防止Agent一抽风就把电脑炸了
对于问题1，我们有harness、tools、skills、MCP、sub-agent等等
对于问题2，就要用到沙箱技术了
市面上的沙箱技术五花八门，各有千秋。今天咱们就浅聊一下Agent场景下，常见的几类沙箱技术方案。
Category Archives: AIAgent
Prompt KV Cache是如何实现的
Prompt KV Cache是如何实现的
如果你是大模型API的重度用户，看着token快速燃烧，大概率会思考过这样一个问题：
每次和大模型对话，都会先有几百个token的固定system prompt（角色设定、工具定义、甚至是一整份文档），然后才是几十个token用户的问题。但我们却要为这段固定不变的system prompt反复付费、反复等它算完。这是一种巨大的浪费，不能想想办法节约一些token吗？
Prompt KV Cache要解决的就是这件事：让完全相同的prompt前缀不要重复计算，可以在后续的对话中，继续复用已经计算好的结果。本文来剖析一下，这个技术是如何实现的。
浅聊Loop Engineering
浅聊Loop Engineering
不得不佩服咱们IT大佬起名字的能力（发明新概念，好像一直是IT圈的执念），由于多位技术大佬的追捧，最近Loop Engineering的概念又突然火爆起来。
简单来说，Loop Engineering的核心理念就是：不要再一轮一轮地手动给AI Agent写提示词了，而是去设计一个自动化循环系统，让AI在这个系统中自主执行、验证和迭代，直到完成目标。
在过去（比如前几个月），大家用AI的方式为“人机乒乓模式”的大循环：
任务开始，人类告诉Agent要做什么 ->
Agent推进任务 -> 人类判断结果，决定方向，告诉Agent要做什么 ->
Agent推进任务 -> 人类判断结果，决定方向，告诉Agent要做什么 ->
......
Agent推进任务 -> 人类判断任务结束
AI Agent是如何使用工具的：Tools、MCP、CLI、Skills四种机制深度解析
AI Agent是如何使用工具的：Tools、MCP、CLI、Skills 四种机制深度解析
如果说大模型是AI Agent的大脑」，那么工具调用系统就是 Agent 的「双手」。没有工具的Agent，就像一个被关小黑屋的聪明人，空有一堆想法却无法落地。今天咱们基于nanobot开源项目的源码分析，深入解析AI Agent的四种主流工具调用机制。
Continue reading AI Agent是如何使用工具的：Tools、MCP、CLI、Skills四种机制深度解析
构建可靠的Skill触发机制
构建可靠的Skill触发机制
在大模型应用开发中，我们常常过度关注Prompt编写和模型效果，却忽略了一个更底层的问题：Skill（工具/能力）应该在什么时候、以什么方式被触发？
一个成熟的 AI Agent 系统，绝不应该把所有压力都交给 LLM 去“猜”。如果触发机制设计不好，要么上下文爆炸导致成本失控，要么意图误判导致用户体验灾难。
本文将系统性拆解Skill触发的完整生命周期，从事件源头到执行管控，为你提供一套可落地的架构设计参考。
AI Agent基础架构解析
从Prompt到Context再到Harness：Agent工程的三次跃迁
如果AI Agent是一辆车，那大模型是发动机，Prompt Engineering是方向盘，Context Engineering是导航软件，Harness Engineering是整车的质量工程。相互配合，最终才能顺利达目的地。
2026年主流氛围编程工具对比
打造OpenClaw屠龙刀，拔刀四顾心茫然
进入四月，OpenClaw的热度开始消退，曾经热衷部署、乐于分享的“龙虾养殖户”们，也慢慢回归理性。不少人开始反思：除了日常推送一些咨询，这只“龙虾”似乎并没有真正发挥作用。关键这类咨询有大把的APP可用，效果更好，而且免费。
OpenClaw“偷懒”本质：Agent框架下的幻觉与奖励破解及解决策略
作为OpenClaw的中度用户，最近被一个问题反复困扰————OpenClaw总爱”偷懒”，甚至伪造结果，哪怕在Markdown文件中明确禁止偷懒、禁止使用演示数据，依然屡禁不止。相信很多养龙虾的朋友，也会遇到类似的烦恼，今天就结合我的踩坑经历，拆解问题根源，分享一套可落地的方案，帮大家彻底摆脱OpenClaw”偷懒”的困扰。