技术专栏 第158页

这篇论文讨论的是 Agent 长任务里的上下文管理：当历史内容不断累积时，系统如何在减少冗余 token 的同时，尽量维持 prompt cache 的稳定命中。

动画视频在
《30. AI Skills 技能系统，让 Agent 自动变强》。

现在很多国内的AI厂商，无论deepseek还是智谱，都在把AI的价格往下压。坦率的讲，像文字、代码的处理价格，确实已经被压到了一个相当低的价格。但视频不一样，现在做AI视频，门槛确实高得离谱——国外的 Runway、Pika 按月订阅几十美元，国内的即梦、可灵免费额度用完就按秒计费，想本地跑开源模型？一张能跑视频的显卡轻松上万。

模型入口稳定之后，就可以开始做内容团队的工作流了。

日常笔记、文章是使用 Obsidian 来存的。干活是在 Claude Code 来跑的。日常的沟通，刷的文章视频是在微信里头的。

身份与会话管理，涵盖 Cookies 和 Private state tokens。

本文将深入拆解这套记忆系统的架构设计、核心模块及运作机制，展示它如何为 AI Agent 提供近乎无限的“虚拟记忆”，同时将上下文 Token 消耗降至最低。

在接口自动化测试的全流程中，脚本开发曾是
最耗时、最考验技术功底的环节。人工编写脚本不仅要至少掌握一门编程语言，而且还要面对版本迭代快、用例量大的压力，还极易出现语法错误、场景覆盖不全、规范不统一等问题。

当 Flink 流式作业中所有顶点（Vertex）的并行度不一致时，Flink
默认策略的任务部署有时会导致某些
TaskManager 分配到的任务较多，而其他
TaskManager 分配到的任务较少，从而造成任务较多的
TaskManager 资源利用率过高，成为整个作业处理的瓶颈。

用 Claude Code 写过超过 500 行代码的人，多半都遭遇过同一件事：