Agent 工程

结合 OpenAI Agents API 和 Anthropic Managed Agents，解释 Session、Context Window、Compaction 与持久状态怎样支撑跨上下文窗口的长任务 Agent。

以 Tau 为例，说明模型适配、Agent 核心和应用层的职责，以及工具和前端如何在不互相依赖的情况下协作。

说明 Agent 如何执行工具并继续调用模型，区分流式增量与最终消息，并用一个不依赖模型服务的 Python 示例观察前端状态。

拆解 AWS 如何用确定性工作流分开 Agent 提案、规则验证、人工审批和真实执行，让模型负责候选方案，代码负责边界与幂等。

从 GitHub Agentic Workflows 的 jsweep 看 Agent 如何先判断有没有值得修改的目标，把 noop 作为正式结果，而不是为了自动化强行制造改动。

介绍 RTK 如何在命令输出进入模型上下文前过滤测试、Git、搜索和构建噪声，把 Context Engineering 做到工具输出边界。

OpenCompany 用 company.toml、Agent Team 和 Human Sign-off 把组织结构与 Agent 配置写成可版本控制文件，并明确保留人工签字点。

覆盖 2026-09-04 至 09-10 的 AI Agent 工程阅读日志，保留本期重点、工程意义、优先阅读位置与一手来源。

介绍 jcode 如何把多 Agent 的资源、状态同步和验证放到 Harness 层，说明并行 Coding Agent 的瓶颈不只是模型能力。

OpenAI 的组织级数据说明 Coding Agent 使用规模上升后，瓶颈会转向任务拆分、并发调度、Harness、Eval 和结果选择。

从 Strands harness-sdk、Harness MCP Server 和 HydraFusion 看 Agent 工程为什么从模型调用转向上下文、权限、状态、验证与恢复控制。

介绍一个多 Agent 工程工作流，如何用独立 worktree、CI、冷启动审查、证据门和分层上下文控制 AI 生成代码的交付。