Agent 自动持续进化的核心不是反复手工调 prompt，而是建立评估、反馈、记忆、错误归因、自动修复和发布审核的闭环。只有把真实任务中的成功、失败、纠偏和人工干预沉淀下来，Agent 才能稳定地从使用数据中更新策略。
OpenClaw 为长会话 AI Agent 设计了多层上下文管理机制：调用前裁剪、LLM 摘要压缩、溢出后恢复，以及对 Provider Prompt Caching 成本的兼容。适合用来理解 Agent 如何在效果、稳定性和调用成本之间做取舍。
OpenViking 是面向 AI Agent 的上下文数据库，用虚拟文件系统统一管理资源、用户记忆、Agent 技能和任务经验。它通过分层上下文加载、目录递归检索和自动记忆提取，降低长任务中的 Token 成本，并让检索链路更可观察。
AI Coding Agent 的控制流并不神秘，核心是大语言模型根据上下文决定下一步动作，程序执行工具并把结果放回上下文。通过一个可运行的 Python 示例，可以看清 while 循环、工具调用、规则文件和上下文工程之间的关系。
内网工单分析的难点不在模型分析，而在稳定获取登录态数据。通过 Copy as fetch、agent-browser eval 和 Claude Skills，可以把人工筛选、导出、分析工单的 SOP 固化成可复用的自动化能力。
WiFi DensePose 试图用 WiFi 信道状态信息推断人体姿态、存在状态和生命体征。内容拆解 CSI 到姿态估计的基本流程、论文级 DensePose 与开源 Demo 的差距，并给出 Docker 体验方式和使用时需要注意的限制。
Code Review 在核心业务项目中不能只检查语法和代码风格，还要识别历史事故、业务约束和团队经验。这里讲解如何用 GitLab Webhook、Diff 预处理、RAG 知识召回和大语言模型搭建一套业务级 AI Code Review 系统。
AI Agent、传统编程和 Workflow 的核心差异不在于是否使用 AI，而在于谁负责决策。传统编程和 Workflow 依赖人提前设计流程，Agent 则让大模型根据目标、上下文和工具结果动态选择下一步动作。
LangChain DeepAgents 的 Sandboxes 为 AI 代理提供隔离的代码执行环境，使代理可以运行命令、读写文件、安装依赖和执行测试。核心设计围绕 execute() 展开，同时通过文件工具和外部传输通道区分代理内部操作与宿主文件交换。
