最近我用个人构建的 Navi-agent 在 Modal 云端 sandbox 中运行 Terminal-Bench 2.1，并把结果与此前的 BFCL 工具调用评测放在一起复盘。一个评测观察工具调用是否正确，另一个观察 Agent 是否能完成真实环境中的代码任务。 这个过程有价值的结论，不仅仅是Navi-agent benchmark 的分数，而是我们重新认识评测一个经常被忽略的问题： ...

我正在构建 Navi Agent，一个主要受 Hermes 和 Codex 启发、当前聚焦评测与 Runtime 的轻量 Agent。过去我主要站在 Agent 工程一侧使用模型：设计提示词、调用工具、维护上下文、处理记忆与工作流。但当系统效果不稳定时，很多问题最终都会回到模型本身：token 是怎样形成的，模型为什么续写而不是“思考”，上下文为什么会丢失，微调究竟改变了什么？ 为了建立更...

代码检索到底该怎么做：CodeGraph 与 CocoIndex 的一次实测 问题 Coding agent 的代码检索，应该依赖 grep/glob 这类关键字工具，还是依赖代码库图索引，向量索引？精确检索和向量检索组合后，能否在提高召回的同时控制误召回和上下文成本？ 本文以个人coding agent xushun007/navi-agent repo 为输入，对 CodeGrap...

我一直是 AI Coding 的乐观主义者。 这不是今天才有的态度。ChatGPT 刚出来的时候，我就拿它写过 Chrome 插件。后来一路用过 GitHub Copilot、Cursor、OpenCode、Claude Code、Codex，也用它们做过一些并不在我原有技术栈内的 iOS App 和小程序，主流产品基本都订阅过，也深度阅读过几个开源的代码设计，一直在跟着它们的能力边界往前...

Introduction（引言） 你是一个开发者。你在用 Claude 和 Codex CLI，每天都在想：自己是不是把 Claude 或 Codex 的能力榨干了。偶尔你会看到它做出一些蠢到离谱的事，你无法理解：为什么有一群人看起来在造“虚拟火箭”，而你却连两块石头都堆不稳。 你以为是你的 harness、插件、终端环境之类的问题。你用 beads、opencode、zep，你的 CL...

背景动机 Gemini CLI 曾出现一个典型故障：WebSearchTool 遇到带未转义引号的 query，触发 JSON 解析异常，直接导致 CLI 崩掉。根因很简单：缺少输入校验与清洗。 在 Agent 系统里，这类问题会被放大。LLM 生成的 tool args 本质上就是外部输入。不经校验就进入 Shell、支付，结果就不只是报错，而是故障、甚至资损。 原理分析 系统稳不...

周六带小朋友去上了两堂武术体验课。老师评价很专业也很“扎心”：柔韧性不错（芭蕾底子在那儿），但力量不够。我想只要孩子持续参与应能改善。 晚上吃过饭，她像往常一样凑过来：“爸爸，我们玩 AI 吧！” 她说的“玩 AI”，其实是我们家最近的小传统：她负责出创意，我负责把创意落到代码里（通常用 Cursor），然后我们一起试玩，一边玩一边提需求、一边迭代。 那时我抽不开身，正和老婆研究两款奶...

背景动机 很多团队说“Agent 没记忆”，其实是把两类完全不同的问题搅在一起了：一类是“我现在正在做什么”（工作记忆），另一类是“我长期知道什么/偏好什么”（长期记忆）。你不把它们拆开，工程上就会出现三种典型事故：要么上下文越滚越长、成本和延迟失控；要么为了省 token 乱压缩、结果关键细节丢了；要么任务跑到第 30 次 tool call 开始漂移，忘了最初目标。Manus 的复盘把...

背景动机 很多团队把 Agent 的性能问题，归因到“模型慢 / 工具慢 / 网络慢”。但在生产里，最常见的真实元凶其实更朴素：你在重复喂同一段上下文，却每次都让模型从零开始做 Prefill。 Manus 的复盘把这事说得很直白：如果只能选一个指标，他们会选 KV-cache hit rate，因为它同时决定延迟与成本。Agent 的工作方式决定了它比聊天更“吃前缀”：每一步 tool...

背景动机 在互联网架构里，“重试”从来不是一句 retry(3) 能解决的事。你敢对支付接口无脑重试，资损就会来；你敢对网络抖动无脑重试，体验就会烂。重试的前提不是“失败了”，而是“失败属于哪一类”。 把这个问题搬到 AI Agent 上，会更糟：Agent 不只是“发一次请求”，它会在 ReAct 循环里连续调用模型、读写文件、跑命令、改代码、跑测试——一次失败可能发生在任何层，还可能...