全部概念（109）

地图与疆域

Agentic Coding 语境下对"the map is not the territory"这一老命题的重述：地图是你交给 Agent 的东西——提示词、Skills、上下文；疆域是工作真正发生的地方——代码库、真实世界及其实际约束。地图与疆域之间的差值，就是 未知。

二阶 Harness 论

二阶 Harness 论（Second-Order Harness Theory）主张：Meta-Harness 不是 Norbert Wiener 一阶反馈系统的变体，而是 Heinz von Foerster 意义上的"二阶控制论"——平台层在监管下层不断变形的具体 harness 实现。它对应 Stafford

接口折旧速度

接口折旧速度（Interface Depreciation Rate）指 Agent 平台中预定义接口形状的有效期 vs 模型能力增长速度的相对竞速。它是判断 Meta-Harness 押注成败的核心变量：模型增长快于接口半衰期，接口被击穿、协同进化派胜利；模型增长慢于接口半衰期，接口跨代稳定、控制论拓扑成立。

可恢复流

可恢复流（Resumable Stream）是生产级 Agent 流式输出的关键能力：客户端断线后能从断点继续接收事件。它建立在"流式输出不是 token 打字机，而是任务事件流"这一认知之上——把状态变化、消息增量、工具进展、Artifact 增量和错误统一编码成事件流。

盲点扫描

Blindspot Pass：一种实现前技法——显式请 Agent 帮你找出并向你解释你的 Unknown Unknowns（未知的未知），从而让你能更好地给它提示。适用于进入陌生代码库、或做自己不熟悉的工作（如设计迭代、视频调色）时。

双环进化

一种 self-improving agent 的工程范式：运行时内环让 agent 一边干活一边改写 skill / memory，离线外环周期性跑进化算法（典型为 GEPA〔待补〕）+ 自动闸门 + 提 PR 给人审。两环显式做"速度/风险分工"——内环秒-分钟级、个性化、零验证；外环小时级、社区级、强闸门。代表实

停止条件（Stop Condition）

Agent 循环 何时结束的判据。它是循环设计里最关键的旋钮之一：定义得好，Agent 既不会过早收工、也不会无止境空转。不同 循环类型 把停止的判断权分配给不同主体。

未知四象限

将"面对一个问题时的认知状态"拆成四类的框架（借自 Rumsfeld 的 known/unknown 矩阵，被 Thariq 用于 Agentic Coding）。识别自己处在哪一象限，决定了该用哪种技法去缩小 地图与疆域 之差。

循环四类型学

Claude Code 团队对 Agent 循环 的分类：按"触发方式 × 停止方式 × 所用原语 × 适用任务"划出四种循环。核心记法是"你把哪一块交给系统"。

语义层作为工具接口

语义层作为工具接口是一种 Agent 架构设计范式：在 Agent 和底层系统之间插入一个语义中间层，Agent 通过这个语义层（而非直接 API 调用）来发现工具、获取上下文和执行操作。语义层将技术细节（数据库表、API endpoint）翻译为业务概念（订单、客户、审批），同时附带权限、验证和审计能力。

执行模型两层

分析 Agent 执行模型时最容易犯的错误，是把不同层级的东西放在一起比较。更清晰的做法是拆成两层：Loop 承载方式（主循环放在哪种运行时容器里）与编排协议模式（主循环内部哪些语义对象被显式建模、哪些 Action 副作用会进入 Runtime 状态机）。

中断即状态

"中断是状态，不是异常"是 Agent Runtime Protocol 的核心设计原则之一：`INPUT_REQUIRED`、`AUTH_REQUIRED` 这类暂停应进入协议状态机，成为一等状态，而非被当作异常处理。它是 Human-in-the-Loop 的真正基础设施。

自主迭代模式

一种 Agent 设计模式，核心公式：约束 + 可量化指标 + 自主迭代 = 复合增益。

Agent 循环（Agentic Loop）

Claude Code 团队的定义：Agent 重复工作循环，直到满足停止条件。最基本的形态是"收集上下文→行动→检查自己的工作→按需重复→回应"。近来"设计循环而非提示 agent"成为热议，其本质就是把这一重复过程的触发方式、停止条件、所用原语与适用任务显式设计出来。

Agent Harness

Agent Harness 是围绕 AI 模型构建的编排框架，用于管理多轮交互、上下文、工具调用和状态传递。它决定了 Agent 如何分解任务、何时重置上下文、如何评估输出质量。

Agent Runtime Protocol

Agent Runtime Protocol 是 Agent Runtime 暴露给外部世界的契约——一组稳定对象、生命周期操作和状态迁移。它不是某个具体标准（不等于 A2A、AG-UI 或 LangChain Agent Protocol），而是跨框架反复出现的稳定边界：外部世界如何启动任务、携带上下文、观察进展、中

Agent Traces

Agent Trace（代理执行轨迹）是一次 Agent 运行的完整结构化记录：它串起所有用户请求、模型输入输出、工具调用、中间状态变化与最终结果。Trace 不是"日志"的美化版——它是让 Agent 系统可以被评估、被调试、被用来改进自身的核心数据资产。

Agent-first 基础设施

Karpathy 提出的范式：把世界拆成 Agent 能读懂的输入，以及 Agent 能安全调用的动作接口——而不是让 Agent 模拟人去点网页、读图文文档、按菜单操作。

Agentic 思维

Agentic 思维是一种优化目标：模型能否在与环境持续交互中有效行动，而非仅在内部独白中产出正确答案。核心从"思考得更久"转向"为了行动而思考"。

Agentic Engineering

Karpathy 在 2026 年 Sequoia 访谈里提出的概念，与 Vibe Coding〔待补〕 形成对照：

Artifact

Artifact 是 Agent 产出的正式结果，作为一等协议对象存在，回答"结果在哪里、由哪次执行产生"。长任务的结果不应只塞进最终文本，而要成为可引用、可追溯、可版本化的产物——文件、报告、代码 diff 等。

Autoresearch

Andrej Karpathy 于 2026 年 3 月开源的自主 AI 研究框架。核心思想：让 AI Agent 在固定时间预算内自主修改代码、运行实验、评估结果，保留有效改进、丢弃无效尝试，然后无限循环。

Brain-Hands 解耦

Brain-Hands 解耦是 Claude Managed Agents 的核心架构原则：把 Agent 系统拆成三个可独立失败、可独立替换的部分——"大脑"（Claude + harness，负责推理与决策）、"双手"（sandbox 与工具，负责执行）、"会话"（append-only 事件日志，负责状态持久化）

Checkpoint

Checkpoint 是 Agent 执行到某一步之后的完整可恢复状态快照，回答"失败或中断后从哪里继续"。它是生产级 Agent 区别于玩具的关键基础设施——没有 Checkpoint，中断恢复、错误回滚、时间旅行调试和状态分叉都无从谈起。

Claude Managed Agents

Claude Managed Agents 是 Anthropic 于 2026-04-08 在 Claude Platform 上推出的托管 Agent 基础设施，以可组合 API 的形式让开发者在云端构建、部署、运行长程 Agent，而无需自行建设沙箱、会话持久化、凭证管理、权限与追踪等底层设施。

Coding Harness

Coding Harness（编码框架）是 Agent Harness 的一个特化形态——专门围绕"写代码/改代码"任务设计的软件脚手架。它在 LLM 之上封装仓库上下文、工具定义、权限闸门、上下文压缩和会话记忆，让模型能够在真实代码仓库里循环地观察→分析→选择→执行。

Error-as-Data

Error-as-Data（错误即数据）是 Agent Runtime 的一种错误处理哲学：把可理解的工具错误作为合法的工具结果返回给模型，由 LLM 自主决定重试、换工具还是告知用户，而不是默认抛异常打断执行。与之相对的是 Error-as-Exception（传统编程模式）。

Harness 嵌合体性

Harness 嵌合体性（Chimeric Nature of Harness）指出：Agent Harness 不是一个性质统一的系统，而是不同性质接口的集合。同一个 Harness 在不同接口层呈现不同的系统拓扑——薄接口处呈现控制论的 controller/plant 拓扑，厚接口处呈现自创生（autopoies

Harness 协同进化

模型与其训练时所用的特定 Agent Harness 已经形成深度耦合：模型在 Harness 循环中被后训练，因此改变 Harness 的工具与流程实现可能反而降低性能。模型与 Harness 不再是可独立替换的两块，而是共同进化的一体。

Hermes Agent

Hermes Agent 是 Nous Research 于 2026 年初以 MIT 协议开源的自进化 AI Agent 框架，定位为"住在你服务器上、越用越懂你的常驻私人 Agent"。它与 OpenClaw〔待补〕 同赛道，但把"自动 skill 提炼 + 离线 GEPA 优化"作为默认行为，并在战略上代表"开放

Meta-Harness

Meta-Harness 是一种 Agent 平台设计范式：平台本身不规定具体的 harness 实现，而是定义一组稳定的、对"未曾设想的 Agent 程序"足够通用的接口（session、harness、sandbox），允许底下的具体实现随模型演进自由替换。它是操作系统"虚拟化硬件为进程/文件"思路在 Agent

Ontology-backed Agent

Ontology-backed Agent 是一种 Agent 架构模式：Agent 的工具发现、上下文获取和操作执行全部通过一个统一的语义层（Ontology）完成，而非直接调用异构 API。Ontology 同时充当 Agent 的"世界模型"（提供结构化上下文）和"操作边界"（限定可执行操作），实现了"从语义到行

Palantir Ontology

Palantir Ontology 是一个位于数字资产之上的运营层，将数据集、模型和虚拟表映射为真实世界对应物（工厂、订单、交易），同时定义这些对象可以被如何操作。它不是传统意义上的"只读"知识图谱，而是一个包含语义元素（Object Types、Properties、Link Types、Interfaces）和动力

Prompt Prefix Caching

Prompt Prefix Caching（提示前缀缓存）是 Agent Harness 的一项核心优化：把每轮几乎不变的 prompt 部分（系统指令、工具描述、工作区摘要）固化为"稳定前缀"，让模型运行时只重新处理变化的尾部（最新用户请求、短期记忆、近期对话）。

Ralph Loop

Anthropic 提出的两阶段 Agent 模式，用于跨越多个上下文窗口的长任务。文件系统在上下文窗口之间提供连续性，让 Agent 可以"睡眠—醒来—接着做"。

Runtime Loop

Runtime Loop 是 Agent 框架内部那个隐藏的主循环：反复"加载上下文 → 调用 LLM → 若有工具调用则执行并回写 → 若需切换 Agent 则 handoff → 若需人类则中断 → 否则返回结果"。判断一个框架是不是 Runtime，不看它能否调模型，而看它是否拥有这个循环。

Self-Improving Agent

一种 Agent 自我改进机制，通过自动记录用户纠正、执行错误和新需求，持续积累经验并升级到人格/记忆系统，实现跨会话的能力进化。

Vertical Harness

针对垂直领域把行业 know-how 做到极致的 Agent Harness。模型公司做不完所有 Skills，通用 Harness 无法覆盖的深度，是垂直公司切入上一代企业做不深工作流的杠杆。

程序化工具调用

Anthropic Claude API 的客户端能力：让 Agent 在代码执行沙箱里处理工具结果，而不是把原始结果直接喂回模型。Agent 在沙箱内循环、过滤、聚合多次调用，只有最终输出进入上下文。

垂直 AI 三层架构

把垂直领域 AI 产品收敛到三层：确定性工具层（Deterministic Tool）+ 知识检索层（Domain RAG）+ 推理 LLM 层（Reasoning），再叠加 Persona 记忆 实现个性化。通用大模型直接 Prompt 在专业领域稳定性差（排盘错误、解读教条），而把"能算清"的部分外包给确定性工具、

代理式分析三失败模式

Anthropic 数据团队总结的、造成绝大多数分析 Agent 错误回答的三个属性，以及一套分层各个击破的"代理式分析栈"。

代码编排型 MCP

针对表面极大（数百到数千端点）的服务，MCP 服务器只暴露极薄的工具壳：Agent 写一段短脚本，服务器在沙箱里执行该脚本对接底层 API，只把结果返回。

二元基准饱和

SWE-bench 这类只看最终通过/失败的二元基准存在两个连带病：

工具注册表（Tool Registry）

Agent 系统的核心组件之一：集中管理各团队构建的业务工具、把 Agent 的通用能力与组织的具体业务逻辑连接起来的注册表。本质是一个 Resolver（解析器）——告诉 Agent"我能做什么"，Agent 接到任务后先查 Resolver 决定调用哪个工具，再去执行。

回归集与迭代集

Eval 数据集的最小卫生切分：回归集（Regression Set）稳定、广覆盖，所有变更必须跑；迭代集（Iteration Set）小、聚焦于当前在 debug 的失败模式。修复后从迭代集迁入回归集。

会话续接决策

在使用 Claude Code 等 AI Agent 时，判断是否应该开启新会话还是继续当前会话的决策框架。核心依据是提示缓存（Prompt Prefix Caching）的热/冷状态与任务连续性，而非直觉上的「做完一步就清空」。

即时软件（Just-in-Time Software）

Agent 在需要某个特定视图或能力时当场生成一个针对当前需求的、用完即弃的单页应用（如一个 JavaScript app），生成它的技能文件可随时再调用。软件不再是预先写好的固定资产，而是按需即时生成、动态可改的产物。

渐进式披露

允许 Agent 通过探索逐步发现相关上下文的设计模式，而非一次性将所有信息预加载到上下文中。技能文件可以引用其他文件，Agent 可以递归读取，按需发现所需层级的信息。

接力棒模式

Skill 设计模式之一。把"上次做到哪"写在外部文件（接力棒，next-prompt.md）里，让多个 session 之间通过文件传递状态。LLM 不需要记住，每次 session 启动读接力棒、执行任务、写下一个接力棒。

禁止配替代模式

写 AGENTS 最稳定的规律之一：每一条"别做"都要配一条"做这个"。Augment AuggieBench 测试中，只有禁止项的文档表现系统性地差于禁止+替代方案配对的文档。

决策表（Agent 文档）

在 AGENTS 中用于解决架构歧义的工具：当代码库里有几种都说得通的方案时，决策表让 Agent 在写第一行代码前就做出选择，不用边写边猜。是 AuggieBench 评测中提升效果最显著的模式之一。

跨模态评估（Cross-Modal Eval）

在没有 ground truth 的开放生成任务上，让多个不同模型互相评分对方的输出，每个模型负责一种它擅长的失败模式，把多视角分数喂回 Skill 优化循环。

领域专家 UX

为提取领域专家（律师、医生、保险核保员、航空工程师等）的tacit judgment〔待补〕而专门定制的评估界面：让 UI 看起来像专家平时已经在用的工具，让他们在熟悉的语境里高亮、批注、标记对错，系统在背后把这些操作转换成 eval pipeline 的标签。

路径作用域规则

路径作用域规则（Path-scoped Rules）是 Claude Code `.claude/rules/` 下、带有 `paths:` frontmatter 字段的规则文件：规则只在 Claude 触碰匹配该路径模式的文件时才加载进上下文，而非 session 启动即载。它是"按需加载约束"的机制，用来对抗无作

配对 Skill（Pairwise Skills）

Anthropic 数据团队的 Skill 设计模式：用一对协作的 Skill 分别承载声明性知识与程序性知识——若真相源是 Agent 的声明性知识（一个指标"是什么"），那么 Skill 就是其程序性知识（按什么顺序查哪些源、如何在歧义数据里导航、一份完成的分析长什么样）。

熵值诊断

评测"评估本身"质量的方法：同一测试用例对同一模型与 grader 跑 10 次。10/10 通过或 10/10 失败 = 低熵 = 信号干净；5/5 分裂 = 高熵 = grader 或用例本身有歧义。

生成式UI

由 AI 智能体根据用户需求和上下文动态生成并组合的用户界面，而非由开发者预先硬编码。区别于传统 UI（静态、预定义），生成式 UI 的输出生命周期可以超越对话本身（持久视图）。

书籍镜像（Book Mirror）

把整本书章节化提取，每章派一个子 Agent 同时做两件事——总结作者的观点 + 把每条观点映射到读者的真实人生——产出双栏脑图（左：作者说什么；右：在我现在生活里对应什么）。映射来自系统对读者的全部 context（家族史、职业、近期会议、读书史、治疗师笔记）。

输出风格

输出风格（Output Styles）是 Claude Code `.claude/output-styles/` 下的文件，其指令被 注入系统提示。因身处系统提示层，它携带所有指令机制中 最高的权威性，从不被 压缩，每个 session 启动时加载，首次请求后缓存（故为中等上下文成本）。

数据不是软件

Anthropic 数据团队用来区分"分析 Agent"与"编码 Agent"的核心命题：分析的准确性是上下文与验证问题，不是代码生成问题。把 Claude 指向数据仓库直接执行会制造一种"虚假的精确感"。

消融设计空结果

Anthropic 数据团队的 evals 方法论原则：为空结果（null result）而设计。每个关于 Skill 的结构性决策（暴露哪些源、某个子 Agent 是否值得它的延迟、是否合并两个 Skill）都通过固定离线 eval 集、只改变一个组件、比较通过率来回答——方法论比任何单个结果更重要。

意图分组工具

设计 Agent 工具集时按用户意图组合，而非按 API 端点一对一映射。工具数量更少、描述更丰富，让 Agent 在两三次调用内完成任务，而不是把多个原语拼起来。

知识编译与检索

知识编译与检索（compile-not-append）是一种知识库迭代哲学：新内容入库时优先尝试 merge 进现有概念，而不是追加新页面。配套机制是 manifest 增量追踪——记录每个源文件的上次同步状态，只处理 delta 部分。它直接对抗"碎片化笔记"问题，是 知识编译〔待补〕 在工程层面的具体迭代纪律。与之

指令权威性梯度

指令权威性梯度是评估"向 Agent 下达指令的不同机制"的统一框架：任何一种机制都可沿四个维度刻画——何时加载进上下文 × 是否经受压缩 × 上下文成本 × 携带多少权威性。它解释了为什么同一句话放在不同位置，效果与代价天差地别，并导出"确定性的事用确定性机制，指令只用于需要模型判断的部分"这一核心原则。

智能体界面四阶段

Rabi Shanker Guha 提出的智能体驱动产品界面演进模型，描述从纯文本到完全自适应 UI 的四个阶段。解释了为何「聊天框既是对的方向，又是错的体验」——能力到了，容器没跟上。

自建评估 Harness

不采用通用 evals 平台，而是用 Codex / Claude Code 让 Agent 为你的 Agent Harness 量身定制一套 eval Harness。Eval 与 AI Harness 的耦合度太高，无法外包给"通用基础原语"。

Agent 包裹确定性工具

Pete Koomen 提出的 AI 软件正确形态：Agent 包裹确定性工具（agent wrapping deterministic tools），而非"确定性软件包裹一小块 AI"。后者是他批评的"Horseless Carriages（无马马车）"反模式——像汽车发明初期模仿马车外形、只把马换成发动机，没有按新

Agent Skill 包

Agent Skill 包是一种跨 agent 通用的纯 markdown 指令书——一个目录下放一个 `SKILL.md`（必要时配 reference / scripts / data），不绑定任何运行时，让任意支持 skill 发现的 agent（Claude Code、Cursor、Codex、Gemini、H

Agent-CLI 设计

专为 AI Agent 优化的命令行界面设计范式。区别于传统面向人类的 CLI 设计，Agent-CLI 针对 LLM 的认知特点（概率选择、树搜索、幻觉倾向）进行交互优化。

AGENTS.md

放置在仓库根目录或模块目录的项目级 Agent 指令文件——告诉编码 Agent 这个仓库/模块的导航地图、工作流、决策规则、复用模式。是 Claude Code（CLAUDE.md）、OpenAI Codex、Augment 等多家工具共享的事实标准格式。

AI 原生 CLI

专为 AI 代理设计的命令行工具，从设计之初就假设调用者可能是 AI，而非仅服务于人类开发者。与传统 CLI 的根本区别在于：无交互式菜单、结构化输出、自带说明书（Skills）、支持预览和自查。

CIMD（Client ID Metadata Documents）

MCP 2025-11-25 spec 引入的OAuth 客户端注册机制。客户端通过一份元数据文档表明身份，跳过传统 OAuth 的预注册流程，让用户首次接入更快、复授权提示更少。

Elicitation

MCP 协议中允许服务器在工具调用过程中暂停、向用户索取输入的机制。让 Agent 不必把用户踢到设置页面，就能完成参数补全、二次确认或敏感凭据采集。

Fat Skills, Fat Code, Thin Harness

个人 / 小团队构建复利型 AI 系统的核心架构原则：Harness 薄 + Skills 厚 + Data 厚 + Code 厚。Harness 只做路由分发，Skill 是自包含的能力单元，Data 与 Code 才是复利沉淀的地方。

Hooks 系统

在 AI 代理生命周期的特定节点自动执行预设逻辑的机制。类似 Git 的 pre-commit hook，但作用于代理的整个运行周期。是 Claude Code 作为"代理平台"（而非编程助手）的关键设计。

MCP Apps

MCP 的第一个官方协议扩展。允许工具返回一个可交互界面（图表、表单、仪表盘等），由客户端在聊天界面内联渲染，而不是只回纯文本。

MCP（Model Context Protocol）

将 Agent 与外部系统连接的协议层〔待补〕。客户端（Agent）连接到服务器（系统能力暴露方），认证、发现、富语义都被标准化。一台远程服务器可被任何兼容客户端（Claude、ChatGPT、Cursor、VS Code 等）在任何部署环境下使用。

Noun-Verb 命令结构

CLI 命令组织模式：先名词（资源类型）后动词（操作）。如 `docker container ls`、`gh pr create`。与 verb-noun（如 `create-pr`）相对。

Skill 借口反驳表

预判 LLM 在执行 Skill 时可能产生的自我合理化路径，逐条列出并提供反驳。堵死所有逃避路径，让模型即使想走捷径也找不到台阶。

Skill 四层级进化

Skill 能力成熟度的四级模型，从静态指令到可自主进化的能力体，每一级代表更深的经验沉淀和更强的护城河。

Skill 五种设计模式

从 7 个顶级 Skill 中提炼的五种核心写作模式 + 一种特殊模式。根据"Skill 需要做什么"选模式，是 Skills系统 工程化的入门框架。

Skill可迁移幻觉

误以为用强模型写出的 Skill 可以无缝迁移给弱模型使用的认知偏差。实际上，Skill 是自然语言指令，对模型能力存在隐性依赖；更换模型后行为可能完全不同。

Skillify 循环

"做完一次 → 用元 Skill 把它压成新 Skill"的复利闭环。Skillify 本身是一个创造 Skill 的元 Skill——遇到要重复的工作流就说"skillify this"，它会回看刚发生的过程、抽出可复用模式、写出带触发器和边界条件的 Skill 文件、注册到 resolver。

Skills 系统

Skills 是 AI Agent（如 Claude Code）的扩展机制——文件夹而非纯文本，可包含 Markdown 指令、脚本、资源数据等。Agent 在运行时根据 description 匹配和加载相关 Skill。

Tool Search

Anthropic Claude API 的客户端能力：不把所有工具定义一次性塞进上下文，而是让 Agent 在运行时检索工具目录、按需调入相关工具的 schema。

工作记忆与完整会话

一个合理的 Coding Agent 会把"会话状态"至少分成两层：Working Memory（工作记忆）——小而精的显式状态，由 harness 主动维护和压缩；Full Transcript（完整会话）——忠实记录每一次用户请求、模型回复和工具输出的完整流水，用于断点续跑。两者任务不同、压缩节奏不同，不应混为一谈

过程记忆

Agent 从成功完成复杂任务的执行路径中自动提炼出的可复用工作方法，以 Skill 的形式持久存储。区别于陈述性记忆（事实和偏好），过程记忆记录的是「怎么做某类具体任务」。Hermes Agent 中的核心设计。

三层持续学习

三层持续学习（Three-Layer Continual Learning）是 Harrison Chase 提出的 Agent 进化框架：Agent 系统可以在三个不同层面学习，而不仅仅是"更新模型权重"。三层分别是 Model（模型）、Harness（框架）、Context（上下文）——学习发生在哪一层，决定了工具

上下文污染

Agent 处理某一子任务时积累的上下文信息与后续子任务无关，却仍占据上下文窗口，从而稀释注意力、降低推理质量的现象。是多智能体架构设计中最核心的问题之一。

上下文压缩

上下文压缩（Context Compaction）是 Coding Agent 对抗"上下文膨胀"的运行时机制：通过剪裁、去重、摘要等手段，把会话历史、工具输出、文件读取压缩成模型在下一轮真正需要看到的内容，而不是把一切原封不动塞回 prompt。

上下文中心分解

多智能体任务分解的核心原则：按上下文边界而非工作类型拆分任务。组合在一起的工作不应因职能不同而拆分，而应因上下文是否可以真正隔离来决定。

Context Anxiety

Context Anxiety（上下文焦虑）是 LLM 在长任务中的一种行为模式：当模型感知自己接近上下文窗口极限时，提前收工——开始草率地结束任务，质量下降。

Context Rot

上下文腐烂/过度探索陷阱：Agent 因被 prompt/AGENTS.md 引发的探索行为吸引，打开过多无关文档把上下文塞满，最终输出反而变差。本质是 上下文污染 的一种特定子类——由文档结构本身触发，而不是子任务残留。

Session as Context Object

Session as Context Object 是一种上下文管理范式：把长程任务的上下文作为一个持久化的、可按位置询问的对象存在模型窗口之外，而不是在窗口内做不可逆的压缩与丢弃。Claude 通过 `getEvents()` 这样的接口去切片、回溯、重读事件流，把"存什么"与"用什么"彻底解耦。

共享状态模式

多智能体协作模式之一：去中心化的「黑板」架构，所有智能体共同操作同一个持久化存储（数据库/文件系统/文档），直接读取彼此的发现并写入自己的成果，没有中心指挥官。

受限子代理

受限子代理（Bounded Subagent）是主 Agent 委托出来处理侧任务的子进程：它继承足够的上下文以完成工作，同时被约束在更紧的边界里运行（通常只读、限定递归深度、限定工具集），避免多个 agent 互相踩踏、无限繁殖。

消息总线模式

多智能体协作模式之一：智能体通过发布（Publish）/订阅（Subscribe）机制交流，路由器将事件精准推送给订阅了相关话题的智能体。适用于事件驱动的流水线作业，以及智能体生态还在不断扩编的场景。

验证子代理

专门负责测试或验证主 Agent 工作成果的独立子代理，是多智能体系统中最一致有效的模式之一。其核心优势在于验证本质上只需最少的上下文传递，可以黑盒测试。

异步工作流接管

设计 Agent 工作流时，把人机交互从"在场操作"解耦为"任意时间、任意设备的异步审批"。让工作流 7×24 小时流转，碎片时间也能推进。

GAN 式多 Agent 架构

受 GAN（生成对抗网络）启发的多 Agent 设计模式：将生成与评估分离为独立 Agent，通过对抗性反馈循环驱动输出质量提升。

接口厚度

接口厚度（Interface Thickness）是指个人知识系统中"文件 / 协议 / 工具约定"所携带的语义信息量。它构成一条从"纯文本"到"平台绑定"的连续谱，决定一个系统在可移植性与智能深度之间的权衡位置。

幂等设计

同一操作无论执行多少次，结果始终一致的设计原则。在 Agent 工程中尤为关键，因为 Agent 会频繁重试（网络超时、执行结果不确定、任务中断恢复）。

Agent Infra

为 Agent 而非人类设计的 Runtime 层基础设施。当前 sandbox/虚拟机/数据库都是为人类长期使用而设计的，对 Agent 这种临时性 long-horizon task 工作流并不合适——Agent Infra 是把这一层重做。

Git Worktrees

Git 工作树允许在同一个仓库中同时检出多个分支到不同目录，互不干扰。在 AI 编程时代尤为重要——支持多个 AI 代理实例并行在同一仓库的不同分支上工作，无需反复切换分支。

Pets vs Cattle

Pets vs Cattle 是云基础设施领域的经典思维模型：宠物（pets）是命名的、手工照料的、无法承受丢失的个体服务器，牛（cattle）是可互换、按配方重建、允许随时杀掉替换的无状态实例。好的系统设计应尽可能把组件推向 cattle 一侧，因为只有这样才能在故障、扩缩、升级面前保持可运维性。

Agent Gateway

连接 Agent 与外部世界的控制平面，负责管理消息入口（多渠道）、会话路由、设备节点、权限边界和安全策略。是「让 Agent 接入真实世界」的基础设施层，而非 Agent 本身。

Agent Identity

Agent 作为生产消费者参与经济系统的身份认证与权限管理层。回答"这个 Agent 是谁、谁授权、出了事找谁"——为 Agent 发身份证和工作许可。

Agent Payment

让 Agent 自主完成支付的协议与应用层。2026 年已有协议雏形：Stripe 与 Tempo 联合发布的 Machine Payments Protocol、Visa Intelligent Commerce。

Machine Payments Protocol

2026 年 3 月由 Stripe 与 Tempo 联合发布的开放标准，让 Agent 自主完成支付。是把 Agent 视为经济系统第一公民的基础设施信号之一。