结合 Pi、OpenClaw 与 Hermes 源码，理解 Agent 如何把完整事实留在持久层，只把受预算控制的视图交给模型。

1. 常驻

• Ponytail：少写。 让 Agent 先复用现有代码、标准库和平台能力，少造抽象。
• Agent Reach：联网。 统一搜索网页、GitHub、社交平台和视频字幕。
• Matt Pocock Skills：管流程。 Engineering 负责澄清、诊断、评审和 TDD；Productivity 负责拷问、交接和 Agent 文档。

通过连续故障案例，解释 Agent 如何管理上下文、原子轮次、会话摘要、Checkpoint 与跨会话长期记忆。

1. 介绍

1.1 Why Hermes Not Openclaw

1. 真·持久记忆  跨会话记住你的偏好和项目（MEMORY.md/USER.md 机制），FTS5 全文检索，10 万条记录搜索约 10ms。而 OpenClaw 的记忆是它的公认弱项——有跑过 1000+ 实例的托管商实测吐槽 “ 会话经常像在跟一个陌生人说话 “。
2. 自主学习闭环  干完难活自动写下 SKILL.md，越用越聪明，技能兼容 agentskills.io 开放标准。OpenClaw 的技能主要靠 ClawHub 装、靠人配。
3. 安全默认值更好  容器隔离（只读根目录/降权/PID 限制）+ 敏感操作审批 + 默认禁私网 URL 防 SSRF
4. 轻快省  3GB 内存就舒服、近即时启动，托管成本约省 30%；内置模型路由（按价格/延迟自动 fallback），适合 24/7 挂机跑定时任务。

第一次看到 DeepSeek Harness，我以为它只是给 DeepSeek 模型套了一层 Web UI。真正跑起来以后，我才发现重点不在模型，而在模型之外的那一层：它决定 Agent 能看到哪些文件、可以调用什么工具、怎样执行命令，以及每次行动如何被记录和约束。

DeepSeek Harness（命令名 dsh）就是这层执行框架。官方把它概括为 “ 一切皆插件 “：模型适配器、工具、会话、沙箱、存储、调度和 UI 都可以替换或重组。

可以先这样理解：

1
2

Agent = 模型 + Harness
Harness = 工作区 + 工具 + 权限 + 会话 + 执行循环 + UI

1. 什么是 AI Agent？

如果把传统的大语言模型（LLM）比作一个 “ 缸中大脑 “——知识渊博、文笔出众，但只能被动回答问题、无法主动与真实世界交互；那么 AI Agent（智能体） 就是给这个大脑装上了眼睛、双手和记事本，让它能够自主感知环境、进行规划并使用工具去完成复杂的现实目标。

1. 极简 Agent

很多人以为 Agent 底层有某种魔法，其实本质上就是一个 while 驱动的状态循环：

1
2
3
4
5
6
7
8
9
10
11

用户提问 
  ↓
[LLM 决策] → 是否需要工具？ 
  ├── 否（直接回答） → 输出并结束循环
  └── 是（返回函数名与参数） 
        ↓
     [本地 Python 执行函数] 
        ↓
     [将执行结果塞回上下文 messages] 
        ↓
     [回到 LLM 决策，继续下一轮思考]

解释 Agent 沙盒的安全边界与常见实现，并结合 Codex 源码说明权限配置、平台后端、审批策略与 Full Access 的关系。

www.liuvv.com 的证书以前经常过期。表面看像是「域名在 Cloudflare，证书却没续上」，但真实结构并非如此：Cloudflare 只负责 DNS，访客真正访问的是腾讯云 CDN，浏览器看到的证书也安装在腾讯云 CDN 上。

本文记录一套适配该场景的免费自动化方案：GitHub Actions 定时运行 acme.sh，通过 Cloudflare DNS-01 验证申请 Let’s Encrypt 证书，再调用腾讯云 SSL/CDN API，把证书部署到 www.liuvv.com 的 CDN 加速域名。

你在编辑器里跟 AI 说「帮我把这个函数改改」，AI 真的去读了文件、改了代码。这件事背后至少有三个角色：编辑器、AI 程序，以及读文件改文件的那些能力。ACP（Agent Client Protocol）管的是第一段——编辑器和 AI 程序之间怎么说话。