开启时会模糊预览图，关闭后正常显示
We often get tickets from startups who raise a ticket because Bento's Spam API rejects like 90% of their "real user" emails during the initial import. Majority of the time when I look at the data it's temp email services using somewhat real looking domains, Chinese and/or Russian consumer inboxes (the startup doesn't/can't sell to that region), etc. I think all startups should do some basic validation on sign-up so that they're dealing with real numbers that are actually actionable.
Marketer, self-taught developer, and founder of @Bento and https://t.co/lcsIohchEv. Designing a quiet family life in 福岡, Japan. DMs open if you need email help 🌿
RT @phmay_sg: Finally @imidaily revealed the truth about abhorrent delays in Portugal’s golden visa processing: the @ppdpsd led government…
🌏 RCBI advisor & offshore services for HNWI, business owners with a focus on:🇨🇭🇲🇾🇰🇳🇵🇾🇻🇺🇳🇷🇵🇦🇱🇻🇦🇪🇭🇰 | Geopolitics | Healthy lifestyle
RT @PimDeWitte: We’re very excited to show reactions to the models for the first time and dig even deeper into the vision. If you’re a top…
achieve ambition with intentionality, intensity, & integrity - @dxtipshq - @sveltesociety - @aidotengineer - @latentspacepod - @cognition + @smol_ai
![构建高效的生产级上下文感知多智能体框架
Google 官方这篇博客深入探讨了在开发复杂的 AI 智能体时，如何通过 系统化的“上下文工程” 来解决由于信息量爆炸带来的性能瓶颈，以 Google ADK 为例，提出了一套全新的架构设计理念。
核心挑战：上下文瓶颈
随着智能体处理的任务越来越复杂（如长期工作流、深度研究、代码维护），它们需要跟踪的信息量呈指数级增长。仅仅依靠扩大模型的“上下文窗口”并非长久之计，面临三大压力：
· 成本与延迟：上下文越长，推理成本越高，响应速度越慢。
· 信号衰减：大量无关的日志或过时信息会导致模型“迷失”，无法抓取关键指令（Lost in the middle）。
· 物理限制：真实场景中的数据量（如 RAG 检索结果、完整对话记录）最终总会溢出任何固定的窗口限制。
核心理念：上下文即“编译视图”
文章提出了一个根本性的思维转变：不要把上下文看作是一个不断追加的字符串缓冲区，而应将其视为对底层状态的“编译视图”。
· 源数据 (Source)：完整的会话记录、长期记忆和文件。
· 编译器 (Compiler)：一系列的处理流程，负责过滤、排序和转换数据。
· 视图 (View)：最终发送给 LLM 的“工作上下文”。
关键架构设计
A. 分层结构 (Structure: The Tiered Model)
ADK 将上下文数据分为四个层级，以分离“存储”与“展示”：
· 工作上下文 (Working Context)：即时构建的、仅供本次调用使用的 Prompt。它是临时的、经过优化的。
· 会话 (Session)：结构化的、持久的交互日志（包含用户消息、工具调用、错误信息等）。它是客观的“事实”。
· 记忆 (Memory)：跨会话存在的长期知识（如用户偏好）。
· 制品 (Artifacts)：大型数据对象（如 PDF、CSV、长日志）。它们只被引用（通过名称/版本），而不是直接粘贴进 Prompt。
B. 管道化处理 (Flows and Processors)
通过定义有序的“处理器链”，开发者可以像搭积木一样控制上下文的生成。例如：先做权限检查，再插入系统指令，最后插入经过压缩的历史记录。这让上下文的构建过程变得可观测、可测试。
C. 智能相关性管理 (Relevance)
为了保持上下文的“精简”，系统和智能体共同决定此时此刻需要什么信息：
· 按需加载制品：智能体默认只看到文件名的引用。只有当它确信需要查看内容时，才会调用工具将其临时加载进来。用完即丢，避免永久污染上下文。
· 主动/被动记忆检索：通过工具主动搜索或通过预处理器自动注入相关的长期记忆。
· 压缩与过滤：在会话层自动运行后台任务，将旧的详细日志“压缩”为摘要，或者直接按规则过滤掉无用的噪音。
D. 多智能体协作 (Multi-agent Context)
在多智能体系统中，为了防止“上下文爆炸”和幻觉，ADK 采用了严格的作用域控制：
· 按需交接：当主智能体调用子智能体时，默认不传递所有历史记录，只传递必要的指令和最少量的上下文。
· 叙事转换 (Narrative Casting)：当切换智能体时，系统会将前一个智能体的“助手消息”转换为“叙事背景”（例如：“[背景信息]：智能体 A 刚才说了...”）。这防止了新智能体误以为之前的操作是自己做的，从而产生认知混乱。
总结
这篇文章的核心观点是：生产级的 AI 智能体开发，不能只靠“堆砌 Token”，而必须建立一套高效的上下文生命周期管理系统。
通过将上下文视为一个动态编译的、分层的、按需加载的系统，开发者可以构建出既聪明（拥有足够信息）又高效（低延迟、低成本）的智能体应用。
阅读原文](/_next/image?url=https%3A%2F%2Fpbs.twimg.com%2Fmedia%2FG7hjHZXbYAApinw.jpg&w=3840&q=75 "构建高效的生产级上下文感知多智能体框架
Google 官方这篇博客深入探讨了在开发复杂的 AI 智能体时，如何通过 系统化的“上下文工程” 来解决由于信息量爆炸带来的性能瓶颈，以 Google ADK 为例，提出了一套全新的架构设计理念。
核心挑战：上下文瓶颈
随着智能体处理的任务越来越复杂（如长期工作流、深度研究、代码维护），它们需要跟踪的信息量呈指数级增长。仅仅依靠扩大模型的“上下文窗口”并非长久之计，面临三大压力：
· 成本与延迟：上下文越长，推理成本越高，响应速度越慢。
· 信号衰减：大量无关的日志或过时信息会导致模型“迷失”，无法抓取关键指令（Lost in the middle）。
· 物理限制：真实场景中的数据量（如 RAG 检索结果、完整对话记录）最终总会溢出任何固定的窗口限制。
核心理念：上下文即“编译视图”
文章提出了一个根本性的思维转变：不要把上下文看作是一个不断追加的字符串缓冲区，而应将其视为对底层状态的“编译视图”。
· 源数据 (Source)：完整的会话记录、长期记忆和文件。
· 编译器 (Compiler)：一系列的处理流程，负责过滤、排序和转换数据。
· 视图 (View)：最终发送给 LLM 的“工作上下文”。
关键架构设计
A. 分层结构 (Structure: The Tiered Model)
ADK 将上下文数据分为四个层级，以分离“存储”与“展示”：
· 工作上下文 (Working Context)：即时构建的、仅供本次调用使用的 Prompt。它是临时的、经过优化的。
· 会话 (Session)：结构化的、持久的交互日志（包含用户消息、工具调用、错误信息等）。它是客观的“事实”。
· 记忆 (Memory)：跨会话存在的长期知识（如用户偏好）。
· 制品 (Artifacts)：大型数据对象（如 PDF、CSV、长日志）。它们只被引用（通过名称/版本），而不是直接粘贴进 Prompt。
B. 管道化处理 (Flows and Processors)
通过定义有序的“处理器链”，开发者可以像搭积木一样控制上下文的生成。例如：先做权限检查，再插入系统指令，最后插入经过压缩的历史记录。这让上下文的构建过程变得可观测、可测试。
C. 智能相关性管理 (Relevance)
为了保持上下文的“精简”，系统和智能体共同决定此时此刻需要什么信息：
· 按需加载制品：智能体默认只看到文件名的引用。只有当它确信需要查看内容时，才会调用工具将其临时加载进来。用完即丢，避免永久污染上下文。
· 主动/被动记忆检索：通过工具主动搜索或通过预处理器自动注入相关的长期记忆。
· 压缩与过滤：在会话层自动运行后台任务，将旧的详细日志“压缩”为摘要，或者直接按规则过滤掉无用的噪音。
D. 多智能体协作 (Multi-agent Context)
在多智能体系统中，为了防止“上下文爆炸”和幻觉，ADK 采用了严格的作用域控制：
· 按需交接：当主智能体调用子智能体时，默认不传递所有历史记录，只传递必要的指令和最少量的上下文。
· 叙事转换 (Narrative Casting)：当切换智能体时，系统会将前一个智能体的“助手消息”转换为“叙事背景”（例如：“[背景信息]：智能体 A 刚才说了...”）。这防止了新智能体误以为之前的操作是自己做的，从而产生认知混乱。
总结
这篇文章的核心观点是：生产级的 AI 智能体开发，不能只靠“堆砌 Token”，而必须建立一套高效的上下文生命周期管理系统。
通过将上下文视为一个动态编译的、分层的、按需加载的系统，开发者可以构建出既聪明（拥有足够信息）又高效（低延迟、低成本）的智能体应用。
阅读原文")
构建高效的生产级上下文感知多智能体框架 Google 官方这篇博客深入探讨了在开发复杂的 AI 智能体时，如何通过 系统化的“上下文工程” 来解决由于信息量爆炸带来的性能瓶颈，以 Google ADK 为例，提出了一套全新的架构设计理念。 核心挑战：上下文瓶颈 随着智能体处理的任务越来越复杂（如长期工作流、深度研究、代码维护），它们需要跟踪的信息量呈指数级增长。仅仅依靠扩大模型的“上下文窗口”并非长久之计，面临三大压力： · 成本与延迟：上下文越长，推理成本越高，响应速度越慢。 · 信号衰减：大量无关的日志或过时信息会导致模型“迷失”，无法抓取关键指令（Lost in the middle）。 · 物理限制：真实场景中的数据量（如 RAG 检索结果、完整对话记录）最终总会溢出任何固定的窗口限制。 核心理念：上下文即“编译视图” 文章提出了一个根本性的思维转变：不要把上下文看作是一个不断追加的字符串缓冲区，而应将其视为对底层状态的“编译视图”。 · 源数据 (Source)：完整的会话记录、长期记忆和文件。 · 编译器 (Compiler)：一系列的处理流程，负责过滤、排序和转换数据。 · 视图 (View)：最终发送给 LLM 的“工作上下文”。 关键架构设计 A. 分层结构 (Structure: The Tiered Model) ADK 将上下文数据分为四个层级，以分离“存储”与“展示”： · 工作上下文 (Working Context)：即时构建的、仅供本次调用使用的 Prompt。它是临时的、经过优化的。 · 会话 (Session)：结构化的、持久的交互日志（包含用户消息、工具调用、错误信息等）。它是客观的“事实”。 · 记忆 (Memory)：跨会话存在的长期知识（如用户偏好）。 · 制品 (Artifacts)：大型数据对象（如 PDF、CSV、长日志）。它们只被引用（通过名称/版本），而不是直接粘贴进 Prompt。 B. 管道化处理 (Flows and Processors) 通过定义有序的“处理器链”，开发者可以像搭积木一样控制上下文的生成。例如：先做权限检查，再插入系统指令，最后插入经过压缩的历史记录。这让上下文的构建过程变得可观测、可测试。 C. 智能相关性管理 (Relevance) 为了保持上下文的“精简”，系统和智能体共同决定此时此刻需要什么信息： · 按需加载制品：智能体默认只看到文件名的引用。只有当它确信需要查看内容时，才会调用工具将其临时加载进来。用完即丢，避免永久污染上下文。 · 主动/被动记忆检索：通过工具主动搜索或通过预处理器自动注入相关的长期记忆。 · 压缩与过滤：在会话层自动运行后台任务，将旧的详细日志“压缩”为摘要，或者直接按规则过滤掉无用的噪音。 D. 多智能体协作 (Multi-agent Context) 在多智能体系统中，为了防止“上下文爆炸”和幻觉，ADK 采用了严格的作用域控制： · 按需交接：当主智能体调用子智能体时，默认不传递所有历史记录，只传递必要的指令和最少量的上下文。 · 叙事转换 (Narrative Casting)：当切换智能体时，系统会将前一个智能体的“助手消息”转换为“叙事背景”（例如：“[背景信息]：智能体 A 刚才说了...”）。这防止了新智能体误以为之前的操作是自己做的，从而产生认知混乱。 总结 这篇文章的核心观点是：生产级的 AI 智能体开发，不能只靠“堆砌 Token”，而必须建立一套高效的上下文生命周期管理系统。 通过将上下文视为一个动态编译的、分层的、按需加载的系统，开发者可以构建出既聪明（拥有足够信息）又高效（低延迟、低成本）的智能体应用。 阅读原文
邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴
RT @skeptrune: 🚨 MINTLIFY IS HIRING! 🚨 we look for slope over intercept and want to see that you have grown quickly in your career github…
🥑 Developer Advocate at @GitKraken 👨💻 Somewhat Senior Software Dev 📹 Twitch: https://t.co/heAWl9dFFl 📽️ YouTube: https://t.co/uWnKkyc09Q
然而，工程师能力的拓宽也带来了隐忧： 深度技术能力的萎缩。 讽刺的是，要有效监督AI，恰恰需要那种可能因过度依赖而丧失的深层专业知识。 这是一个待解的悖论。
聊硅基 AI，看有机 Orange。
