Agentic Practice

Meta 将高频分析模式封装为受治理的参数化库，并通过类型化数据模型和确定性查询生成器，让 Agent 以统一口径生产、查询和消费分析结果。本文拆解这套链路及其适用边界。

基于一篇 AI System Design 经验文章，梳理生产 AI 应用从需求和容量估算，到架构拆分、安全治理、质量评估与持续迭代的设计路径。

分析 Anthropic 的 AI-native SDLC playbook：从代码提速后的瓶颈转移，到六阶段 artifact 交接、分层控制和生产维护闭环。

基于 Graphify 最新实现与 ApFramework 受控源码验证，分析代码知识图谱如何进入编码 Agent 的上下文链路，以及它与源码阅读、测试和其他记忆层的边界。

从上下文窗口、规则和会话事件，到决定、来源知识与代码结构，分析编码 Agent 的长期记忆如何分层、路由和回写。

客观理解 AWS 基于 Amazon Bedrock AgentCore 的生产级评估框架，拆解静默失败、三层评估对象、九阶段生命周期、评估器栈、Golden set 与持续反馈闭环。

从 LOOP、状态机到 CyclicGraph Engine，解释 AutoResearch 如何通过分叉探索、证据验证和 Harness 机制，演进为可长期运行的研究系统。

从 Single Agent Loop、Multi-Agent Architecture、Thin Orchestrator 和 Harness 讨论智能体系统如何重新分层。

介绍并分析 Thin Orchestrator 架构案例，讨论编排器与专业 Agent 的职责分工、上下文隔离、工作流模板及适用边界。

从论文原图读懂 Harness² 的双层递归与执行证据，分析实验结论的边界，并给出独立进化服务接入 DeerFlow 的工程路径。