共 3 篇相关文章
LLM本身无状态，每次调用仅完成一次文本补全，但Agent Loop通过外部循环机制使其能连续执行复杂任务。该循环的核心是while结构，包含模型推理、工具调用判断、工具执行和结果回灌context四个步骤，使模型在每轮更新后的上下文中自主决策下一步动作。关键设计决策涉及终止条件（如最大步数、循环检测）、context管理（采用摘要压缩避免长度爆炸）、工具选择（原生function calling或提示词约定）、错误处理（混合策略拦截与模型自纠正）及并行优化。以开源项目learn-claude-code为例，展示了从基础loop到加入TodoWrite、子agent和context compact的演化，凸显harness代码仅是辅助模型的脚手架。Agent Loop存在局限性，如上下文窗口膨胀、工具调用幻觉、死循环和目标漂移，需通过工程组合策略缓解。随着模型能力增强，Agent Loop的未来形态可能变化，但当前仍是实现自主agent的核心架构。
在LLM应用开发中，Server-Sent Events已成为实现流式响应的事实标准，它基于HTTP协议轻量地实现实时数据推送。文章深入探讨了如何将SSE接口从基础的“能用”状态优化至“好用”层面。传统请求-响应模式需等待完整生成结果，而流式输出能实时展示模型的思考过程、工具调用及逐字生成内容，显著提升交互体验。基础实现虽简单——仅需设置正确的Content-Type和逐块写入事件流，但生产级应用需解决事件抽象、组件复用及优雅取消请求等挑战。作者通过实际编码演示，逐步拆解设计思路，引导读者掌握构建高效、可维护流式响应架构的方法，最终实现从功能演示到工程化实践的跨越。
这篇从作者的个人经历切入，讲的是如何将一个失败的AI产品蜕变为基于MCP协议的实用工具。受Twitter Personality启发，他曾开发微博性格报告，用提示工程分析用户画像，但后来被互动性更强的“评论罗伯特”类账号击败。代码先变为Agent插件，随着MCP协议爆火，最终以mcp-server-weibo形式重生——一个Model Context Protocol服务器，让大模型能直接获取微博数据。 项目提供了7个工具，比如通过search_users搜索用户、get_feeds抓取动态、get_trendings获取热搜，支持uid或关键词操作，并兼容stdio和streamable-http。它能在VS Code、Cursor等客户端使用，方便开发者集成。 作者认为AI更像一面镜子，从多角度观察人类，而MCP协议解锁了社交媒体分析的新玩法。这个复盘不仅展示了技术迁移的韧性，还为读者带来了一个可直接上手的工具，探索大模型与社交数据的结合。
