Agent 构建（2025-26 最热主题）
回答：agent 产品的架构、记忆、安全、放权节奏。
架构三层：†agent-stack-model-api-harness（Embiricos：model/API/harness 三层栈）、harness-vs-model-distinction、†bet-on-the-general-model（Boris Cherny：别搭编排器，给通用模型工具和目标）、society-of-models-architecture vs multi-agent-supervisor-pattern（多 agent 拓扑的两派）、every-agent-is-a-coding-agent（代码是行动力基座）、agent-vs-assistant-product-split。
上下文与记忆：†context-engineering-and-context-rot、agent-memory-is-a-prepended-text-file（去神秘化）、multi-agent-context-partitioning（Claire Vo：按上下文切 agent 而非按职能）。
安全（agent 时代必修）：†lethal-trifecta（Simon Willison：私有数据+不可信内容+对外通道=致命三角）、prompt-injection-not-solvable、personal-agent-security-hardening、agentic-security-frontier。
产品化：pair-first-delegate-later（Codex 从停滞到爆发的教训）、proactive-contextual-ai、agent-aliveness-formula、agent-onboarding-as-hiring、every-agent-needs-a-human、human-review-bottleneck、agent-cost-two-levers、harness-deprecation-as-model-improves（模型变强就拆脚手架）。
Agent 三层栈架构Agent Stack Model Api Harness
做 agent 产品时容易只盯着"训个更强的模型"。这个框架说明 agent 实际是三层栈，重要能力必须跨层协同才能 ship。
押注通用模型策略Bet On The General Model
构建 AI 应用时的架构抉择：用编排器搭严格 workflow、微调小模型，还是直接给通用大模型工具和目标？
上下文工程与退化Context Engineering And Context Rot
AI 产品答错时不知道该怪模型还是怪输入；长对话越聊越笨不知原因；不知道如何在有限的 context window 里安排信息让 AI 发挥最好。
致命三要素风险模型Lethal Trifecta
判断一个 LLM agent 应用是否存在被 prompt injection 窃取数据的致命结构性风险，以及从哪条边下手消除。适用于任何"给 agent 接上真实数据和真实动作"的产品设计评审。
脚手架与底层模型区分法Harness Vs Model Distinction
面对 Bolt、Lovable、Base44、v0、Cursor、Claude Code 这些五花八门的 AI 编程工具，很容易把"哪个工具更强"简单理解成"哪个模型更强"，从而选错评估维度。这个心智模型把"模型"和"包裹模型的产品层（harness）"拆开看，帮助判断该在什么阶段用什么工具。
模型社会架构Society Of Models Architecture
做复杂 AI 产品时，容易默认"选一个最强模型接进来就够了"。这个心智模型（作者早在 2022 年就写过）提出了一个不同的架构假设：真正的好产品会由多个各司其职的模型协同构成，而不是单一模型包打天下。
多 Agent 监督者模式Multi Agent Supervisor Pattern
设计 multi-agent 系统时选哪种拓扑：为什么"按职能拆一堆 agent 让它们互相通信"是当前最被误解的架构。
通用 Agent 即编码 AgentEvery Agent Is A Coding Agent
在决定"要不要做/怎么做一个通用 agent"时的底层推理：为什么写代码是 agent 行动能力的最佳基座，而不只是程序员的垂直场景。
Agent 与助手产品分层Agent Vs Assistant Product Split
AI 编程产品常常只提供一种交互粒度——要么是"给个大目标，等它跑完"的重型 agent，要么是"逐行小改"的轻量助手。用户在不同场景下需要的自主程度和响应速度其实差异很大，单一粒度的产品满足不了所有场景。这是 Replit 用两个并行产品来解决这个问题的具体设计框架。
Agent 记忆即前缀文本Agent Memory Is A Prepended Text File
给 AI 产品设计"记忆"功能时把 memory 神秘化；分不清哪些信息该进 memory、哪些该靠检索，导致上下文被无用信息挤占。
多 Agent 上下文分区Multi Agent Context Partitioning
单个 AI agent 接了所有任务后开始"变笨"：忘记昨天谈的事、丢失邮箱访问、说自己读不了明明能读的文件。用户因此断定产品不行。Claire 的诊断：这不是产品问题，是 context overload——上下文窗口越满，agent 对当前任务的执行越差。
提示词注入不可解Prompt Injection Not Solvable
产品团队/创始人问"我们怎么防住 prompt injection"。这张卡给出防御手段的有效性排序，以及必须接受的现实预期。
个人Agent安全加固Personal Agent Security Hardening
个人 agent 拥有邮箱、日历、文件和浏览器权限后，如何防御 prompt injection 和社会工程攻击。很多人不装 OpenClaw 不是因为技术门槛，而是"怕它能做的事"——这份清单是 Claire 实际在用的布防。
Agentic 安全前沿Agentic Security Frontier
判断 AI 安全的真正风险位置在哪：为什么"聊天机器人被越狱"目前多是虚惊，而 agentic AI 才是即将到来的真问题。也顺带认清有效的越狱技术长什么样。
先配对后委托Pair First Delegate Later
agent 产品该把用户直接带进"异步委托"的未来形态，还是先嵌入现有工作流？Codex 从增长停滞到爆发的核心产品教训。
主动情境式AIProactive Contextual AI
如何设计"主动帮忙"的 AI 产品：既让 agent 每天帮用户成千上万次，又不把用户淹没在打扰里。
Agent 活性公式Agent Aliveness Formula
你在设计 agentic 产品，想知道为什么 OpenClaw 让用户觉得"它是活的、主动的、像个同事"，而一般 chatbot 没有这种体验。Claire 把它拆解成一个可复制的配方——她称 OpenClaw 是"agent 体验良好基本面的柏拉图式理想样本"。
Agent 招聘式入职法Agent Onboarding As Hiring
你要给一个有真实权限（邮箱、日历、文件系统、浏览器）的个人 AI agent（OpenClaw 这类）做初始配置和长期管理，不知道该给多少权限、怎么避免它闯祸（Claire 的第一次安装换来的是家庭日历被删）。
每个 Agent 需配人类Every Agent Needs A Human
为什么"人手一个私人 agent"没有发生、公司应该怎样组织 agent 的所有权与运维。也解释"自动化越多、人反而更忙"的悖论。
人类审查瓶颈模型Human Review Bottleneck
AI 产能爆炸后，真正限制生产力（乃至作者眼中通往 AGI 曲线）的瓶颈在哪里，以及产品上怎么拆掉它。
Agent 成本优化双杠杆Agent Cost Two Levers
AI agent 是"自己决定何时运行的持续进程"+ 平台按用量计价，成本是 PM 对 agent 的头号顾虑（超过安全和幻觉）。什么时候优化成本、怎么优化？
模型脚手架主动弃用机制Harness Deprecation As Model Improves
团队常常给模型加各种"脚手架"(scaffolding)来弥补它当前版本做不到的事,但很少有团队系统性地在模型变强之后主动把这些脚手架拆掉,导致产品越堆越复杂、系统提示词越写越长。这个打法给出一套具体的"该拆就拆"的维护习惯。