Agent 不是记得越多就越可靠。高质量协作的关键，是在每一轮只加载相关信息，并让长期任务可以从持久状态准确恢复。

Prompt 没有过时，但一段能交付真实工作的指令，必须包含目标、边界、验收证据与授权范围。

一个面向真实工作的 Agent 系列：不收集万能提示词，而是逐步建立任务、上下文、工具、验证与评测的执行系统。

Claude Desktop 的 Coworker 功能在 1.5 小时内烧光两轮日配额、吃掉 13GB 磁盘，最后产出一堆无关文件。作为 Agent 开发者，我对这次故障做了一次完整复盘。

从战争记忆的变形、短视频时代的情绪动员，到茨威格带来的历史阅读快感，我慢慢明白，读历史不是为了扮演大人物，而是为了给自己的精神留一点纵深。

把 Agent 调优拆回输入信号、任务拆分、规则前置、后处理校验和多模型协作之后，我越来越确定：真正高 ROI 的优化，很少是第一时间去换更强的模型。

当“Harness”成了新范式，我才意识到，自己在宿舍里为驯服大模型写下的那些笨拙补丁，原来正踩在真实的工程演进路线上。

刷到一个被包装成“AI 记忆革命”的项目后，我突然更清楚地意识到：很多被流量抛光的技术神话，本质上只是基础 RAG 套了层夸张叙事。

这篇文章记录我在 OpsMind 里落地代码沙箱时遇到的五个关键 Bug：它们分别卡在文件系统、接口契约、React 并发更新、SSE 事件语义和路由策略边界上。