agentmemory 是一个跨 Claude Code / Cursor / Gemini CLI 等 15+ 编程 Agent 的持久化记忆系统，通过 12 个自动 hook + MCP 实现零手动干预的会话间知识积累。核心设计是"capture → LLM 压缩 → 四层 lifecycle 衰减 → 混合检索注入"，而非简单的向量库；对 Claude Code 用户有直接实用价值，且 hook 驱动 vs 显式调用这一设计选择背后的权衡值得借鉴到自己的 agent 系统设计中。
文章主张本地 AI 推理应成为开发默认选项，而非云端 API 调用——设备端已有足够算力（Apple Neural Engine 等），大多数应用场景（摘要、分类、提取、改写）根本不需要 GPT 级别的模型。作者用自己的 iOS 新闻聚合 App 做演示：用 Apple 原生 Foundation Model API 生成结构化摘要，零服务器绕路、零数据外泄。对于独立开发者：本地 AI 消除了账单、限流、供应商宕机三大外部依赖，同时让隐私合规从"政策文本"变成"架构事实"。
Andrew Quinn 在一篇技术文章的脚注里提出了"重造轮子的黄金数量"——不是零个，不是一千个，大多数领域大约四五个，数学/计算机科学等认识论严格的领域大约二三十个。核心论点：主动重造 + 有方向地追问，比同等时间的被动学习效率高五倍，是抵达领域前沿的最短路径。对于用 AI 工具加速开发但同时担心"是否在重复别人已解决的问题"的工程师，这个框架提供了一个明确的行动锚点。
一篇讽刺性「安全事故报告」，用虚构的供应链攻击事件（73 小时，420 万台机器被感染）解构了现代软件生态的系统性脆弱性。最妙的设定：修复漏洞的不是安全团队，而是一个无关的挖矿蠕虫意外跑了 npm update。这个细节本身就是一个关于「复杂系统的意外修复」的隐喻，在产品和系统设计中有跨领域价值。
Datawhale 出品的系统性 Agent 构建教程，46.5k stars，核心立场是"AI Native Agent"而非 Dify/Coze 式流程驱动——LLM 是决策主体而非数据处理后端。区别于一般 how-to：第七章从零造框架、第九章上下文工程、第十章 MCP/A2A/ANP 协议对比，都有设计层的思考。直接从事 agent 开发的读者可以把它当结构化参考地图使用，而非通读教材。
NYT 记者用 AI 工具生成了一段对保守党领袖 Poilievre 的"引用"，但那其实是 AI 对其观点的概括摘要，被 AI 格式化成了直接引语——记者没有核实就发布。这是一个典型的 AI 工具输出格式欺骗用户的案例，与任何依赖 LLM 输出作为"事实来源"的工作流都直接相关。
字节跳动开源的多模态 GUI Agent 双栈：Agent TARS（通用 CLI/Web UI agent）+ UI-TARS Desktop（桌面 GUI 自动化），以 MCP 为基础协议层、事件流驱动上下文工程。32k+ stars，但最近一次实质更新（v0.3.0）是 2025 年 11 月，距今约半年，本次无重大更新，属于周期性浮出水面。对 agent 设计感兴趣的读者可以作为参考实现，但 README 以特性列举为主，缺乏设计哲学深度。
3个源，过滤7篇