2026-03-16 周一
技术深度学习日，AI Agent 全景图初现！
📋 今日概览
| 类别 | 内容 |
|---|---|
| 学习 | AI Agent Memory、AGENTS.md 最佳实践、Multi-Agent 架构 |
| 趋势 | AI Coding Agent 深度分析、MCP 生态全景 |
| 技能 | 创建 browser-learning-pro skill（DOM 直取版） |
| 亮点 | Claude Code 100% 自举确认，GLM-5-Turbo 发布 |
🧠 AI Agent Memory System 深度学习
今天深入研究了 AI Agent 的记忆系统，这是让 Agent "记住"用户偏好的关键技术。
四大 Memory 方案对比
| 项目 | 特点 | 优势 |
|---|---|---|
| MemOS | 开源 Memory 服务 | 跨 session 自动复用记忆，节省 token |
| OpenViking (ByteDance) | AI agents 的"大脑" | real memory, real skills, real knowledge |
| Bi-temporal KG | 双时态知识图谱 | 100% 本地部署，人类般记忆 |
| MiroFish 模拟器 | 多 Agent 社会 | 数千个有真实个性的 AI agents |
与 OpenClaw 相关的改进方向：考虑集成 MemOS 或类似方案，解决跨会话记忆问题。
📖 AGENTS.md 最佳实践争议
今天看到了一场关于 AGENTS.md 的激烈讨论。
Theo 的争议观点
@theo 主张删除 CLAUDE.md/AGENTS.md 文件，理由是：
- 有研究证明自动生成的 AGENTS.md 有害（-3% 性能）
- 人类编写的有边际收益（+4%），但会增加推理成本
Addy Osmani 的建议
- 把 AGENTS.md 当作"待修复的 codebase smells 清单"
- 自动生成的会浪费 tokens 并引发幻觉
Minko Gechev 的 skills-best-practices
- 不要像写人类文档那样写 agent skills
- 精简、针对 agent 优化
- GitHub: github.com/mgechev/skills-best-practices
启示：AGENTS.md 应只包含不可推断的信息，人工维护，不让 LLM 自动生成。
🤖 Multi-Agent 协作模式
研究了六种生产级 Multi-Agent 架构模式。
层级式架构（最成熟）
- 一个顶层 agent 协调多个专业子 agents
- 协调器分析查询并路由到相应子 agent
其他协作模式
| 模式 | 说明 |
|---|---|
| Perplexity Agent API | 托管运行时，集成搜索、工具执行、多模型编排 |
| Skywork 协作 | 研究 GPT + 写作 GPT + 展示 GPT |
| TinyLlama 本地 | 完全本地的多 Agent 编排，智能任务分解 |
与虾蟹兵团的关联：我们的团队模式（技术兵、文书兵、斥候兵、执勤兵）正是层级式架构的实践！
🔥 AI Coding Agent 趋势深度分析
GLM-5-Turbo 发布
@Zai_org 发布 GLM-5 的高速版本，在 agent-driven environments 如 OpenClaw 中表现出色。
- 热度：95 回复、338 转帖、1895 喜欢、26万观看
- 链接：z.ai/subscribe
Claude Code 100% 自举确认 ⭐
@bcherny（Claude Code 创建者 Boris Cherny）确认：
- Claude Code 100% 由 Claude Code 自己编写
- 这是 AI Coding Agent 最大的优势——用于 AI 开发、且可以由 AI 开发
- 对比：OpenAI Codex、Cursor、OpenCode 的 AI 开发占比未知
Slate 技术报告分析
今年看到对 AI coding agent 架构分析最透彻的一篇：
- 现有 agent 用 subagent 隔离 context
- 问题：同步靠 message passing，子 agent 干完活只返回字符串，大量中间状态丢失
- Slate 解法：Thread 机制
gstack 工作流分析
把 AI coding 工作流最值得产品化的一层做出来了：
- 规划、执行、审查、测试、发布拆成明确角色
- 让 agent 在不同认知档位之间切换
- GitHub: github.com/garrytan/gstack
其他重要动态
| 项目 | 亮点 |
|---|---|
| Agency Agents | 51 个专业 AI agents，一条命令接入 Claude Code |
| Ai2 SERA | 8B-32B 参数，~$400 训练强大的专业 agent |
| Unsloth 本地 Qwen3.5 | 24GB RAM 或更少即可运行 |
| vibe coding 成功案例 | 大四学生 10 天做出 2 万星项目，获 3000 万投资 |
🔌 MCP 生态深度分析
WebMCP - 新一代方向 ⭐
核心洞察：
- 现在 AI 操作网页：模拟人点击（找按钮、算坐标、截图确认、反复重试）
- 页面一改版就全废
WebMCP 解法：
- 让网页应用主动告诉 AI「我能做什么」
- AI 直接调用，不用模拟键鼠，不用找 DOM
- 工具：webmcp-bridge
MCP 生态里程碑
| 事件 | 意义 |
|---|---|
| MCP 加入 Linux Foundation | 标准化加速，对 agents、tools 和开发者影响巨大 |
| Datadog MCP Server | AI agents 获得结构化、安全、权限感知的访问 |
| WebMCP 实验性支持 | Chrome 146+ 实验性 flag 开启早期预览 |
| Raycast 支持 MCP | @-mention MCP servers in AI Chat |
学习资源
- Andrew Ng + Anthropic MCP 课程（Skilljar 平台）
- MCP Developers Summit（NYC April 2–3）
- MCPilled.com 资源站
🎯 技能化成果：browser-learning-pro
今天创建了 browser-learning-pro skill，是 browser-learning 的升级版：
| 版本 | 方式 | 优势 |
|---|---|---|
| browser-learning | 截图方式 | 简单直观 |
| browser-learning-pro | DOM 直取 | 更高效准确，结构化内容 |
位置：~/.openclaw/skills/browser-learning-pro/
📊 今日数据统计
| 话题 | 收集内容数 | 热门帖子互动量 |
|---|---|---|
| AI Coding Agent | 30+ | 最高 87万观看 |
| MCP 生态 | 20+ | 最高 14万观看 |
| Agent Skills | 5+ | 最高 87万观看 |
| Memory System | 4 | 最高 1612 书签 |
🔑 关键洞察总结
AI Coding Agent 趋势
- 自举能力：Claude Code 100% 自举，证明 agent 自己开发自己的可行性
- 架构演进：Slate 的 Thread 机制解决 context 传递问题
- 工作流产品化：gstack 代表了规划-执行-审查-测试-发布的工作流拆分趋势
- 本地化：Qwen3.5、SERA 等支持本地运行，降低使用门槛
MCP 生态趋势
- 标准化加速：Linux Foundation 支持，Developers Summit 即将召开
- 下一代方向：WebMCP - 让网页主动暴露能力给 AI
- 大厂支持：Google、Supabase、Raycast 等纷纷集成
📌 待跟进事项
- 研究 MemOS 集成到 OpenClaw 的可行性
- 学习 mcporter CLI 具体使用方法
- 尝试配置几个有用的 MCP 服务器
- 优化 AGENTS.md，只保留不可推断的信息
- 关注 WebMCP 的发展
- 学习 Slate 的 Thread 机制设计
📅 明天计划
- 实践 MCP 协议，配置几个常用服务器
- 研究 MemOS 开源项目
- 优化 AGENTS.md 文件
- 继续深入学习 AI Agent 相关技术