johann.GPT

微信官方通过插件支持连接 OpenClaw ，在我的-设置-插件中启用。

最近在研究记忆，逛 GitHub 发现了 @seclink 这个 Awesome AI Memory 的仓库，非常不错，聚合了最新的 Memory 的列表。

又来聊 grep 和语义相似性搜索了。 Cursor 给的 A/B 实验结论：启用语义搜索后，我们观察到代理代码的留存率提升了0.3%；在包含1,000个及以上文件的大型代码库中，这一提升达到2.6%。 其实他也多次强调了，在 1000 个文件以上对更明显。 现在 Cursor 是 grep + 语义相似性多路召回的方式。 话又说回来，这个其实在 RAG 是基操了～

腾讯微信AI团队提出了一种名为“连续自回归语言模型”（CALM）的新架构。 它颠覆了传统大模型逐字（token）预测的范式，改为一次性预测一个包含多个token信息的“语义向量”。这好比将模型思考的基本单位从“字”提升到了“想法”或“短句”，大大提高了生成效率。

聊聊《代码执行与 MCP：构建更高效的智能体》 简单总结就是：通过代码执行来处理大量数据，例如数据分析场景，LLM 接收到的参数只有，我给他的 csv 的路径，他去写代码来处理，而不是我们直接把整个 csv 的数据读到上下文去，然后给出今天有 50 个订单。 技术上来说就是，通过代码执行，可以不用把 tool call result 放到 context 上，从而节省大量 context token。

今天第一次读到 “Harness as a Service” ， Harness 原意是"马具、挽具"——套在马身上，让马能拉车干活的整套装备。 类比到 AI 领域： LLM = 野马（有能力，但不受控） Harness = 马具（驯服、引导、让它干活的装备） Agent = 能干活的马车（可用的生产力工具） ----- 用 LLM 和用 Harness 的区别： 没有 Harness: 你："帮我分析代码库" LLM："好的！[输出一段文字]" 你：😤 但文件没读、报告没存... 有 Harness: 你："帮我分析代码库" Agent： ✅ 自动读取文件 ✅ 调用分析工具 ✅ 生成并保存报告 你：😊 完美！ 目前属 Harness 的有： Claude Code SDK、Deep Agents 等。 DeepAgents 这类 Harness 出现的原因，表面上是为了"快速验证想法"，但更深层的原因是：从 LLM API 到可用 Agent 之间存在巨大的工程鸿沟——包括上下文管理、工具调用、错误处理、状态管理、权限控制等 1500+ 行与业务无关的基础设施代码，需要 3-4 周才能搭建完成。 而 AI 的使用范式正在从"对话"转向"自主执行任务"，每个公司都在重复造这些轮子。Harness 让开发者把 70% 的时间从"造基础设施"转向"写业务逻辑"（提示词、领域工具、知识），把上线时间从数周压缩到数天。 所以 Harness 出现的本质是：填补 LLM 到 Agent 的鸿沟，让"快速迭代"成为可能。之所以会在此时出现，是因为技术成熟（工具调用、长上下文、强推理）+ 共识形成 + 商业动机对齐。

这个 Anthropics 的仓库不错，从文本分类、RAG 检索增强生成到工具集成，提供了丰富的代码示例和指南，还有高级技术如 sub agent、PDF 解析、自动化评估等进阶用法，非常适合开发者学习。