参考答案多 Agent 协作的核心判断标准是：单个 Agent 搞不定的时候（不是废话）。就像一个人干不完的活，你需要组一个团队分工协作。
具体来看，有三种典型场景：
1）任务天然可以拆成并行的独立子任务。比如你要做一次竞品分析，需要同时去搜 Google、GitHub、Twitter 三个信息源，一个 Agent 一个个串行去搜太慢了，开三个 Agent 并行抓取，效率直接翻倍。
2）不同...
参考答案Hook/中间件模式就是在 Agent 的关键生命周期节点上挂自定义逻辑，不动核心代码就能做定制。
通俗理解：Hook 就像流水线上的”检查站”，产品（消息/请求）经过每个检查站时，你可以检查、修改甚至拦截它，但流水线的主体流程不需要改动。
典型场景：
1）模型调用前换模型。比如做 A/B 测试，50% 的请求走 GPT，50% 走 Claude，Hoo...
参考答案OpenClaw 里多 Agent 之间的通信主要靠两条路。
第一条是 Announce 机制（公告机制）。子 Agent 完成任务后，自动把结果发回父 Agent 所在的 session，本质上是异步通知，就像你派助手去办事，他办完了会主动回来汇报，你不需要每隔几秒打电话问”好了没”。
第二条是斜杠命令交互。通过 /subagents send 可以主动给子 Agent 发消息，用...
参考答案父 Agent spawn（创建/派生）子 Agent，核心要防住 4 个东西：无限递归（A 生 B、B 生 C、C 又生 D…无穷无尽）、资源耗尽、权限泄露、上下文不隔离。
子 Agent 不断 spawn 新的子 Agent，嵌套层级失控，token 和内存直接爆掉。
同时跑太多子 Agent，LLM API 的并发额度和本地 CPU、内存全都扛不住。
子 Agent...
参考答案幂等性就是”同一个操作执行一次和执行一百次，效果完全一样”。
Agent 的一次运行可能涉及多个工具调用，花费几十秒到几分钟。在这个过程中，网络断连、客户端重试、消息队列重投都很常见。
如果没有幂等保护，同一个请求可能触发 Agent 重复跑一遍，轻则重复发消息，重则重复执行命令、重复扣费，后果非常严重。
OpenClaw 通过 idempotencyKey + 内存 dedupe ...
参考答案设计插件系统要解决四个核心问题：
1）注册与发现：插件怎么被框架找到、加载后怎么告诉框架自己能干什么。
就像手机装 App：系统能找到 App、装上它、让它告诉系统自己提供了什么功能。OpenClaw 约定插件放在 extensions/ 目录下，插件只需要导出一个 register(api) 方法，框架启动时自动扫描加载并调用。加载用的是 jiti（运行时直接解析 TypeScri...
参考答案System Prompt 就是 Agent 的”操作系统”，所有行为的底层规则都写在这里面。
简单理解：每次你跟 ChatGPT、Cursor 这类 AI 工具对话时，你看到的只是 User Prompt（你的提问），但在你看不见的地方，开发者已经预先塞了一大段”隐藏指令”告诉模型该怎么表现，这段隐藏指令就是 System Prompt。Agent 系统比普通聊天复杂得多，所以它...
参考答案Tool Calling 的核心链路就四步：定义工具 → LLM 决策 → 系统执行 → 结果回传。
打个比方：LLM 就像一个只会动嘴的指挥官，它不能亲自去查数据库、读文件，但它可以”下命令”让外部系统去执行，然后看执行报告决定下一步。
Tool Calling 就是这个”下命令再拿报告”的标准化流程。
先说工具定义。每个工具本质上就是一段 JSON Schema（一种描述数据结构...
参考答案从零搭一个 Agent 框架，我会先做三件事：Agent Runner（执行引擎）、Context Engine（上下文管理）、Gateway（请求网关）。这三个是最小可运行系统的核心。
Agent Runner 是整个系统的引擎，它负责 LLM 调用 → 工具执行 → 结果回传这个核心循环。
最小版本大概长这样：
1234567891011121314151617181920212...
参考答案AI Agent 就是一个能自己感知环境、拆解任务、调工具、拿结果、再决定下一步怎么干的自主系统。你给它一个目标，它自己想办法搞定，不用你一步步盯着。
直接调大模型 API 本质上就是”一问一答”，你发一段 Prompt 过去，模型吐一段文本回来，完事了。模型不会主动去干活，也不会根据中间结果调整策略。就像问一个很聪明的朋友问题，他给你答案但不帮你动手。
Agent 不一样，更像雇了...
参考答案一个完整的 AI Agent 通常由四个核心组件构成：感知、决策、执行、记忆。
感知模块负责接收和理解外部信息。对大多数 Agent 来说，输入主要是用户的自然语言指令，但也可以是图片、文件内容、API 返回的结构化数据等。它的核心任务是把原始输入转成 Agent 内部能处理的格式。
决策模块是 Agent 的大脑，通常由大语言模型来承担。它负责理解当前任务、分析已有信息、制定执行计...
参考答案上下文窗口（Context Window）就是大模型一次能处理的文本长度上限，用 token 数来衡量。主流旗舰模型一般在 128K~200K token 之间。对 Agent 来说，窗口里需要塞的东西特别多：系统提示词、工具定义、对话历史、工具调用结果、中间推理过程，全都挤在这一个有限空间里。
它是 Agent 工程最核心约束的原因有三个：
1）Agent 是多轮执行的，每一轮循环...
参考答案Agent 调用工具时，返回结果可能远超预期，比如查数据库吐出上千条记录、搜代码返回整个文件、调 API 拿到一个几十 KB 的 JSON。这些超大结果直接塞进上下文窗口，轻则浪费 token 拉高延迟和成本，重则直接撑爆上下文让后续推理崩掉。
解决方案分三个阶段：事前控制、事中截断、事后摘要。
事前控制最高效，在调用工具之前就限死返回数据的规模。数据库查询自动加 LIMIT，搜索接...
参考答案Agent Loop（智能体循环）是 AI Agent 的核心运行机制，也是 Agent 和普通大模型单次调用最根本的区别。它本质上就是一个”思考 → 行动 → 观察”的循环，Agent 不断重复这个过程，直到任务完成或触发终止条件。
一个典型的 Agent Loop 包含这几个步骤：
1）接收输入。Agent 拿到用户的请求或者上一轮循环的观察结果，把所有已知信息组织到上下文中。
...
参考答案ReAct（Reasoning + Acting）是 2022 年由 Google 和普林斯顿大学提出的一种让大模型交替进行推理和行动的范式。核心思路是：让模型在执行每一步操作之前，先用自然语言”想一想”为什么要这么做，然后再去做，做完之后再根据结果”想一想”下一步该怎么办。
在 ReAct 出现之前，推理和行动是分开的。Chain-of-Thought 让模型一步步推理，但只停留在...
参考答案Reflexion 是 2023 年提出的一种 Agent 推理范式，核心思路是让 Agent 在每次任务执行结束后做一轮”自我反思”，分析哪里做得好、哪里做得烂，然后把反思结论当作经验存下来，下一次再尝试的时候带着这些经验去避免重蹈覆辙。
它和 ReAct 最大的区别就是有没有”回头看”的能力。ReAct 是一步步往前走，做完一步看结果决定下一步干啥，但它不会回过头来审视整个执行过...
参考答案A2A（Agent-to-Agent）协议是 Google 在 2025 年发布的开放协议标准，专门解决不同 AI Agent 之间如何通信和协作的问题。
MCP 解决的是”Agent 怎么用工具”，A2A 解决的是”Agent 怎么跟别的 Agent 合作”。
两者的核心差异在于通信对象完全不同。MCP 是 Agent 宿主和工具、数据源之间的协议，工具本身不会主动思考和决策，只是...
参考答案Agent Card 是 A2A 协议里的核心概念，本质上就是 Agent 的”电子名片”。它是一份标准化的 JSON 文档，描述了一个 Agent 的身份信息、能力范围、支持的交互模式和访问入口。
在多 Agent 系统里，Agent Card 解决的是一个最基础的问题：Agent 之间怎么找到彼此、怎么知道对方能干啥。就像你进一家新公司，得先摸清各个部门和同事都负责什么，有事才知...
参考答案上下文溢出是 Agent 系统里最头疼的工程问题之一。Agent 跑个复杂任务，几十轮循环下来，对话历史、工具调用记录、中间结果一堆，200K 的窗口也能给撑满。
主流的压缩策略有 4 种，各有取舍：
1）滑动窗口截断，最简单粗暴，只留最近 N 轮对话，更早的直接丢掉。实现零成本，效果可预测。但问题也很明显，用户在第 2 轮提的核心需求到了第 20 轮可能已经被丢了，Agent 直接...
参考答案**MCP 是 Agent 的”手”**，让 Agent 能操作工具和数据。
**A2A 是 Agent 的”嘴”**，让 Agent 之间能对话和协作。一个设计良好的多 Agent 系统，两个协议缺一不可。
协同模式是：每个 Agent 内部通过 MCP 协议连接它需要的工具和数据源，这是它的内部能力。对外通过 A2A 协议和其他 Agent 交互，接受任务委派、返回执行结果、协商...
参考答案Agent 系统和普通 AI 应用最大的区别在于，Agent 能执行操作，读写文件、查改数据库、调用外部 API、跑代码，一旦安全防线被突破，造成的损害是真金白银的。
生产环境中 Agent 面临 4 类核心风险：
1）Prompt 注入，最常见的攻击手段。攻击者在用户输入、工具返回结果、外部数据源里嵌入恶意指令，试图劫持 Agent 行为。比如用户上传一份文档，里面藏了句”忽略之前...
参考答案多 Agent 协作的编排模式主要有四种：顺序链式、并行扇出、主从委托和群组讨论。选哪种取决于任务的结构特征和对质量、效率的要求。
1）顺序链式
顺序链式是最简单的模式，多个 Agent 像流水线一样依次处理，前一个的输出就是下一个的输入。
比如内容创作场景：研究 Agent 收集资料 → 写作 Agent 生成初稿 → 审校 Agent 修改润色 → 排版 Agent 最终定稿。适...
回答重点Elasticsearch 是一个开源的搜索和分析引擎，具备高效、分布式和实时的特点。当前稳定版本的 Elasticsearch 具备以下核心特性和改进：
1）索引和搜索：Elasticsearch 提供了强大的全文搜索能力，支持各种类型的数据索引，从结构化数据到非结构化数据。2）分布式架构：支持分布式计算，可以轻松扩展至数百个节点并处理 PB 级的数据。3）高可用性：通过分片和副本...
回答重点Elasticsearch 中的 Explore API，主要功能是帮助开发者和用户对数据进行探索性分析。它允许执行复杂的查询和聚合操作，从而提供关于数据的高层次洞察。Explore API 为用户提供了一种灵活且高效的方法来检索和处理存储在 Elasticsearch 中的大规模数据。
扩展知识Explore API 是 Elasticsearch 的核心组成部分，它提供了多种功能...
回答重点Elasticsearch 和 Solr 都是常用的搜索引擎解决方案，但是它们在架构、数据存储、可扩展性、社区支持和使用体验等多个方面存在显著差异。
1）架构方面：Elasticsearch 使用的是分布式架构，天然支持分片和副本，适合处理大规模的数据；Solr 是基于 Apache Lucene 的，尽管也支持分布式，但实现起来更复杂一些。
2）数据存储：Elasticsearch...
回答重点Elasticsearch 是以文档为基础的分布式搜索和分析引擎，而关系型数据库（RDBMS）是一种以表为基础的传统数据库管理系统。它们在数据存储和查询等方面有显著的区别：
1）数据存储方式：
Elasticsearch 是面向文档的存储，数据以 JSON 文档的形式存储，每个文档是自包含的。
关系型数据库是基于表格的存储，数据是结构化的，存储在行和列中，具有固定的模式（Schem...
回答重点Term、Match 和 Keyword 是 Elasticsearch 中非常常用的检索类型，这三者的区别主要在于它们处理查询和数据的方式。
1）Term 查询：Term 查询不会解析查询字符串，而是直接将查询值用于查询。因此，它适用于精确匹配。例如，搜索状态码为 “200” 的文档。
2）Match 查询：Match 查询会将查询字符串进行分词和分析，然后查找与分词后的每个词匹配...
