Agentic Practice

分析 Meta 的 AI-native Analytics：如何将高频测量模式封装为受治理的参数化库，让 Agent 读取类型化数据模型，并由确定性工具选择数据源与生成 SQL；同时讨论指标口径和治理成本的边界。

以企业 IT helpdesk 为例，梳理生产 AI 系统从需求定义、容量估算和职责拆分，到权限安全、故障恢复、答案质量评估与持续发布的设计路径，并标明经验文章的适用边界。

解读 Anthropic 的 AI-native SDLC playbook：当 AI 加快代码实现后，如何用 Plan、Design、Build、Test、Deploy、Maintain 六阶段的 artifact 交接、Skills、Hooks 和评估门禁组织软件交付。

基于 Graphify 实现与 ApFramework 的受控源码验证，说明代码知识图谱怎样帮助编码 Agent 定位文件、符号与关系，并明确结构预检索与源码阅读、测试及长期记忆的边界。

用七层模型梳理编码 Agent 的长期记忆：区分上下文窗口、规则、会话事件、工程决定、来源知识与代码结构，讨论信息如何按任务路由、追溯来源并回写。

基于 AWS 的 Amazon Bedrock AgentCore 生产案例，拆解 Agent 静默失败、工具/Agent/多智能体三层评估、九阶段质量闭环、Golden set 与持续反馈机制，并区分案例经验和通用结论。

分析美团 AutoResearch 从串行 LOOP、异步状态机到 CyclicGraph Engine 的三次架构演进，解释 Spawn-Converge 分叉探索、证据验证与 Harness 控制如何支撑长期运行的研究任务。

比较 Single Agent Loop、Subagents、Handoffs、Router 与 Thin Orchestrator 的适用条件，说明 Skills、Tools 和 Harness 如何分担上下文、流程控制与运行时治理，并给出智能体架构选型思路。

基于 Meta 数据管道 Agent 案例，解释 Thin Orchestrator 如何划分控制面与专业 Agent 的职责，并通过上下文隔离、可靠性门禁和工作流模板管理复杂流程；同时说明适用条件与案例证据的边界。

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。