2026-02-23 16:00:00
当 AI 大模型推理速度突破 5000 tokens/s，Agent 的 Re-Act 循环进入毫秒级时代，一个物理铁律浮出水面：有限的上下文窗口（200K~1M tokens）将在几十秒内被“思考”与“日志”填满。现有的“追加历史记录”模式瞬间失效，因为这无异于试图用容量极小的 L1 缓存去存储整个程序运行周期的所有数据流。
这一矛盾决定了 AI Agent 的技术终局：上下文窗口必须从“聊天记录堆”重构为“CPU 寄存器堆”。未来的 Agent 架构不再是简单的对话流，而是类似于操作系统的状态机循环——Context Window 只保留当前指令指针和核心状态寄存器，通过严格的“状态覆盖”替代无脑的“日志追加”，用信息熵减对抗数据洪流。
真正的瓶颈在于 LLM 的核心物理限制——上下文窗口容量。即便模型能力不断提升，上下文窗口从 200K 扩展到 1M，它依然是一个有限的物理容器。试图通过无限扩大窗口来承载 Agent 无限运行产生的日志，无异于试图用一杯水去接一条不断流淌的河。
我们必须从 Transformer 的本质出发，承认一个残酷的现实：Transformer 是无状态的，它通过重放历史来模拟状态。 如果 Agent 要像操作系统进程一样长久、稳定地运行，我们必须彻底重构它的运行模式。
本文将提出一种新的架构范式：将 AI Agent 从“文本补全机器”重构为“状态机循环”，并将其类比为汇编语言与 CPU 架构，以此解决上下文爆炸的根本问题。
目前的 AI Agent 大多基于 Re-Act 模式，其运行逻辑本质上是“日志驱动”的：
这种模式的问题在于，为了维持“状态”，模型必须保留所有“过程”。这就像 CPU 为了执行下一条指令，必须把过去执行过的所有指令记录都读一遍。随着时间推移，Context Window 必然溢出，或者因注意力机制的 $O(N^2)$ 复杂度导致计算崩溃。
操作系统的启示： 在计算机体系结构中，CPU 执行指令只依赖两个东西：
CPU 不关心上一毫秒执行了什么，只关心当前状态。Agent 也必须如此。
如果我们将 Agent Loop 视为一段汇编程序，那么大语言模型（LLM）本身不再是那个无所不知的“大脑”，而是一条极其复杂的“状态转移汇编指令”。
在这个模型下：
Agent 的运行模式应当从“追加日志”转变为“寄存器操作”。每一次推理，都是一次 “状态读入 -> 计算 -> 状态写回” 的过程。
既然 Context Window 是昂贵且有限的“寄存器”，我们就不能像写流水账一样随意填充。必须像设计 CPU 寄存器一样，对其进行严格的分区和结构化设计。
我们将 Context Window 划分为固定的“槽位”，每个槽位承载特定的功能：
.text 段：指令区（只读）这是 Agent 的内核代码，定义了 Agent 的行为逻辑。
[Goal] Fix Bug #404
[Step 1/3] Read main.py (Done)
[Step 2/3] Locate error line -> [Current IP]
[Step 3/3] Apply fix
R_IP 即可知晓“我在哪，要去哪”，无需回溯历史。.data 段：数据区（读写）这是 Agent 的工作台，也是上下文工程的核心。
{
"task_status": "debugging",
"open_files": ["main.py"],
"error_line": 102,
"key_variables": {"user_id": null}
}
.stack 段：调用栈R_State 和 R_IP 压栈。任务结束后弹出恢复。基于上述架构，Agent 的 Re-Act Loop 变成了一个标准的 CPU 指令周期。这个过程的核心在于 “信息压缩”。
注意力机制聚焦于 R_IP 和 R_State。模型不需要知道“之前发生了什么”，只通过当前状态判断“现在该做什么”。
模型根据 R_System 的规则，分析当前状态是否需要调用工具，或者是否需要更新内部状态。
模型输出两部分内容：
Read_File）。Update_State）。这是解决上下文爆炸的关键步骤：
R_Working。R_Working，提取关键信息（如“错误在第 500 行”），生成 Delta_State 更新 R_State。R_Working 中的原始数据。结果：10,000 行的日志被压缩成了 R_State 中的一个字段 "error_line": 500。上下文占用仅增加几个 Token，但信息被完整保留。这就是“状态机”对抗“上下文爆炸”的武器。
在这种架构下，我们需要精心设计 Context Window 的布局，引导 LLM 遵守寄存器约束。
Prompt 模板示例：
# [R_System] Instruction Set
You are a State-Machine Agent. Maintain state strictly in JSON format.
Output format:
1. <tool_call name="..."/>
2. <state_update key="..." value="..."/>
# [R_IP] Current Instruction Pointer
Goal: Analyze Stock Trend
Step: 3/5 (Calculate Moving Average)
# [R_State] Global Registers (Max 4000 tokens)
{
"ticker": "AAPL",
"trend": "UP",
"analysis_progress": "50%"
}
# [R_Working] Scratchpad (Last Tool Output)
[Tool: API] Returned 1000 data points... (Large Text)
# [Input]
Based on R_State and R_Working, generate Next Tool Call and State Update.
AI Agent 的未来，不是让模型拥有无限的记忆，而是让模型学会像操作系统一样高效地管理资源。
通过引入指令指针（R_IP）和状态寄存器（R_State），我们将 Agent 的运行模式从线性的“文本流”转变为循环的“状态机”。在这个架构下，无论 Agent 运行一秒钟还是一百年，其 Context Window 的占用始终稳定在一个可控的范围内。
这才是 AI Agent 从“玩具”走向“工业级应用”的必经之路。我们不是在写对话，我们是在编写 AI 的汇编代码。
通过「RSS阅读器」或者关注公众号「自宅创业」可以订阅博客更新，也可以在 关于我 页面找到我的联系方式，欢迎交流！
2026-01-19 16:00:00
想了解 Claude Code 的提示词是怎么设计的，最直接的方式就是抓包分析。通过网络流量，可以看清它的 System Prompt、Messages、Tools 等核心信息。
官方文档: https://www.mitmproxy.org
uv tool install mitmproxy
大多数教程用正向代理，需要配置系统代理和 CA 证书。更简单的方式是用反向代理：
mitmweb --mode reverse:https://open.bigmodel.cn --listen-port 8125
这个命令会：
然后把 Claude Code 配置中的 API 地址改成代理地址，正常使用即可。
ANTHROPIC_BASE_URL: http://127.0.0.1:8125/api/anthropic
在 mitmweb 界面中可以看到所有请求和响应：
点击具体的请求，就能看到完整的提示词内容了。
通过「RSS阅读器」或者关注公众号「自宅创业」可以订阅博客更新，也可以在 关于我 页面找到我的联系方式，欢迎交流！
2026-01-11 16:00:00
前段时间做了一次 AI 大模型技术分享，顺手 Vibe coding 了一个小工具 claude-code-config-switcher，用来在不同 Claude Code 提供商之间快速切换。
后来我给这个工具新增了一个 Supervisor 模式，用了一段时间之后感觉非常有价值，于是把项目改名为 claude-code-supervisor。
用过 Claude Code 的朋友应该有这个体验：有时候 AI 声称”完成了”，但实际上还有一堆问题没解决。比如测试没跑、代码质量很差、功能不完整等等。这时候就需要你再跟 AI 说几轮，让它继续完善。
Supervisor 模式就是为了解决这个问题。它的原理很简单：
这个机制利用了 Claude Code 的 Stop Hook，当 Agent 停止时自动触发审查。Supervisor 会 Fork 完整的会话上下文，评估实际的工作质量，而不是简单检测一些关键词或信号。
使用 Claude Code 最大的痛点，就是 AI 经常会把问题抛回给用户：
这些问题本该是 AI 自己解决的。有了 Supervisor 模式，Supervisor 会检查：
如果发现问题，Supervisor 会给出具体反馈让 Agent 继续。比如：”你声称完成了，但没有测试，请添加测试。”
最近我用 Supervisor 模式做了一个实验（使用GLM 4.7模型），只给 AI 一个很简单的提示词：
用 JS 写一个在浏览器玩的双人坦克对战生存游戏，我和 AI 在有砖墙和钢墙的迷宫战场中驾驶坦克利用掩体进行战术射击对决，游戏要完整、精美、超高质量，AI 要有超强的战术水平。
结果让我很惊讶。在 Supervisor 的监督下，AI 完成了一个功能完整的坦克大战游戏：
游戏地址：https://blog.guyskk.com/shows/tankbattle/
最关键的是，整个过程我只需要给出初始需求，剩下的全部由 AI 在 Supervisor 监督下自动完成。没有中间轮次，没有反复沟通，一次性交付高质量成果。
可能有朋友知道 ralph-claude-code 这个项目，它也能实现类似的监督功能。两者的主要区别在于：
| 方面 | Ralph | ccc |
|---|---|---|
| 检测方式 | AI 输出结构化状态 + 规则解析 | Supervisor AI 直接审查 |
| 评估方式 | 基于信号和规则 | Fork 会话上下文评估实际质量 |
| 灵活性 | 需要更新规则代码 | 更新 Prompt 即可 |
ccc 采用的是 AI-First 的设计理念。规则检测的局限性在于需要预定义所有情况，难以覆盖边缘场景。而 AI 审查能理解上下文，处理边缘情况，随着模型能力提升自动改进。
claude-code-supervisor 已经开源，欢迎体验：https://github.com/guyskk/claude-code-supervisor
主要功能：
通过「RSS阅读器」或者关注公众号「自宅创业」可以订阅博客更新，也可以在 关于我 页面找到我的联系方式，欢迎交流！
2025-12-31 16:00:00
前段时间做了一次AI大模型技术分享，本想早点把资料整理出来，一拖就到了2026年。趁着元旦假期，把分享材料整理好发出来，希望能对大家有帮助。
这次分享覆盖了AI大模型的方方面面，从底层原理到产品实践，包括：大模型是什么、Agent怎么工作、提示词工程、AI产品开发新范式等等。内容比较多，整理成了PDF，感兴趣的朋友可以直接查看：2025-AI大模型技术分享-PDF
分享之后，又 Vibe coding 了一个小工具 claude-code-config-switcher（简称ccc），现已开源。这个工具解决的问题是：Claude Code虽然很好用，但想在不同提供商（Kimi、GLM、MiniMax等）之间切换，每次都要手动修改配置文件，很麻烦。用ccc的话，一条命令就能切换，欢迎体验：https://github.com/guyskk/claude-code-config-switcher
通过「RSS阅读器」或者关注公众号「自宅创业」可以订阅博客更新，也可以在 关于我 页面找到我的联系方式，欢迎交流！
2025-05-21 16:00:00
转眼间到了而立之年，回首过去四年创业路，失败已成定局，但它教会了我什么是真正重要的。就像乔布斯在斯坦福演讲所说：”你无法预先把点滴串联起来，只有回头看时才会明白那些点是如何连成线的。”
四年探索，尝试了很多方向，做了很多产品，却没有真正赚钱。仔细思考最本质的原因：违背了商业第一性原理。
简陋的产品=不好卖吗？
不一定。只要用户需要，能满足其需求，照样可以卖的很好，赚的钱可以把产品做的更好，形成增长飞轮。用户需求的本质是解决方案，产品只要精准击中痛点，就能创造价值闭环。
有需求=能变现？
也不一定。用户可能不知道你的产品，你得想办法做好推广，找到目标用户。再好的产品，如果无法用正确方式出现在目标用户面前，等于不存在。
有需求+找到用户=能赚钱？
市面上有很多替代（免费）方案，产品得有（用户认为的）足够显著的差异化价值，才能让用户愿意为你的方案付费。
商业规律就是许多简单的常识，早点领悟这些，我能少走80%的弯路。真正符合商业规律的产品机会少之又少，如同沙里淘金。
创业是不断升级认知的修行，看的更远、更透彻，做更多符合商业规律的正确选择。
创业四年后悔吗？我的回答是，完全不后悔创业，唯一后悔的是成长速度还不够快。
积累了经验，提升了认知和能力
创业是最高效的实战学习。做的每个产品和功能就像是一次实验，运用自己的能力（原料），投入自己的想法（配方），期待发生神奇的反应，源源不断产生用户和收入。
最开始做的实验毫无章法，像小孩玩泥巴一样，瞎折腾一通。然后开始摸索总结经验，学会系统思考，看更多的书，向有结果的人学习，做更多实验去验证想法。大部分实验失败了，还有一些也不太成功，只产生了一些半成品。
自由职业，有时间照顾家庭
自由职业的状态让我有时间陪伴家人，工作间隙给小孩喂一下奶、陪她玩一会，放松眼睛和大脑，每天遛娃、散步正好锻炼身体。
有了小孩之后，合理高效安排自己的时间是个挑战，工作时长会不如以前，但并不是坏处，身体是革命的本钱，保持工作与生活的动态平衡，这才是可持续的发展模式。
标准化产品路线暂时搁置。后续我主要做定制项目/接单/远程兼职。定制开发网站、小程序、AI自动化工作流、浏览器插件、自媒体工具等。
这些都是我擅长的领域，技术能力完全满足，开发工期大致为1天～2周，最长不超过1个月，确保交付质量与效率。
我会继续不定期分享商业思考和技术经验，欢迎同行者交流碰撞。
通过「RSS阅读器」或者关注公众号「自宅创业」可以订阅博客更新，也可以在 关于我 页面找到我的联系方式，欢迎交流！
2024-11-30 16:00:00
最近创业没太多进展，值得开心的是我的宝贝女儿出生了，我当爸爸了，开启新的人生体验！
产品和创业方面感觉没什么可写，推荐几本最近看的书：
通过「RSS阅读器」或者关注公众号「自宅创业」可以订阅博客更新，也可以在 关于我 页面找到我的联系方式，欢迎交流！
