项目 Github 地址：https://github.com/LIKEGAKKI/Tidymark书签这件事，问题从来不是存不下来，而是存完以后基本找不回来了。我自己的使用习惯很典型。看到一篇文章、一个工具、一个仓库，先收藏再说。收藏夹慢慢变成仓库，最后变成垃圾场。真要找东西的时候，浏览器原生书签

Chrome 现在已经把 Remote Debugging（远程调试）这套能力开放得比较直接了，和 Chrome DevTools MCP 这类协议配合起来也更顺手。对 Claude Code、Codex 这类 Agent 来说，重点不是“伪装成一个浏览器”，而是直接连到你正在使用的 Chrome

前四篇搓出来的 agent 有一个隐藏的定时炸弹：上下文窗口是有限的。对话越长，消息历史越大。工具调用的结果尤其占空间——一次 run_bash 可能返回几千行日志，一次 run_read_file 可能读回一整个文件。聊着聊着，token 数就逼近模型的上下文窗口上限了。到了上限会怎样？要么 AP

前三篇搓出了一个能执行命令、会列计划、还能按需加载知识的 agent。一个人干活，从头干到尾。大部分时候这没问题。但有些场景会让单个 agent 很为难。比如用户说"帮我用 Java 搭一个 Spring Boot 项目，然后写个 README"。这里面涉及两个差异很大的领域：J

上一篇咱搓了一个能跑命令、读写文件的最简 agent。它能干活，但干活的方式有点"愣"——用户说一句，它做一步，做完就忘了自己在干嘛。碰到简单任务还好。一旦任务稍微复杂点，比如"帮我创建一个 Flask 项目，包含用户注册和登录功能"，问题就来了：模型可能写完

现在的大模型已经非常聪明，但是像我这种“求知欲”比较强的人就会好奇为什么你问什么它答什么，它是怎么拥有这种能力的？为什么有时候在 Prompt 里我们给它几个例子，它就能做得更好？大模型的训练周期首先把它的生命周期分成两个阶段：预训练和推理。预训练（Pre-training）：十年寒窗苦读这预训练阶

文档原地址：https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf这是OpenAI出具的一份面向产品和工程团队的构建AI智能体的实用指南，主题是如何构建基于大语言模型（

Agno之Agent篇——Model和Tools