案例分析二:给飞书机器人接入 Agent,如何管理请求与任务生命周期
如果说前一个案例强调的是 Web 产品化,那这个案例更强调“企业协作入口 + 任务系统”。下面这张图从飞书用户发消息开始,一路串到 Bot 接收、API / Route、AgentService、AgentEngine,再到回...
案例分析一:Coding Agent 从本地脚本迁移成 Web 产品
这个案例最适合直接看对比图。左边是错误做法:Web 请求直接去调本地脚本,能跑,但会带来超时、强耦合、状态混乱和难扩展的问题;右边则是正确迁移方式:前端调用 Flask Route,再到 AgentServ...
小节四:同一个 AgentEngine 如何同时服务 CLI、Web、飞书与其他系统?
这一部分其实和前面的“不要复制 Agent”是同一个思想,只不过这里更强调入口视角。下面这张图把 CLI、Web、飞书机器人、定时任务和其他系统怎么一起接到统一入口上,画成了一个更完整的复用关...
小节三:HTTP API 真正解决什么——不是“给函数套一个 URL”
这一部分最容易被误解,所以我专门补了一张说明图。图的中心是“HTTP API 作为服务协议”,周围围绕着语言解耦、部署解耦、API 版本化、统一鉴权与审计、错误标准化,以及 Streaming 支持几个关...
小节二:Flask Route、AgentService、AgentEngine 为什么必须分层?
先别急着看代码,先把分层关系在脑子里建立起来。下面这张图把三层结构拆得很细:最上层 Flask Route 只处理 HTTP 请求与响应,中间 AgentService 负责业务协调、会话、权限和任务编排,最下层 ...
小节一:从 agent.run() 出发,哪些接入需求值得增加服务层?
这一部分先配一张总览图会更直观。左边是本地开发阶段直接跑 agent.run() 的方式,中间把真正推动服务化的现实需求列了出来,右边则是增加服务层之后,入口、编排、错误标准化和可扩展接入如...
第4部分:Python + Flask 服务化 为什么 Agent 不能永远运行在 Python 脚本里?
到上一部分结束,我们已经把 Agent Harness 最核心的一大块能力搭出来了。 现在这个 Agent 已经不再只是一个最小 while True Demo,而是已经拥有: Main Loop Agent State LLM Provid...
章末自测
题目 1:Working Memory 和 Long-term Memory 最大的区别是什么? 请分别从生命周期、内容类型、更新频率和典型字段四个角度说明,并举一个 Coding Agent 例子。 Working Memory 服务当前 Run ...
案例分析二:Data Analysis Agent 如何把“业务口径”记到明天,而不是每次重新问?
这个场景在数据分析里也非常典型。很多口径不是一次性条件,而是一个项目里长期共用的业务规则。 这里最值得注意的一点是:先判断这条信息究竟属于“个人偏好”还是“项目规则”。如果是大家在...
小节五:把 Long-term Memory 接回 ContextBuilder——不是每次全量加载,而是先从简单方案开始
前面把长期记忆存下来了,真正发挥作用还得接回上下文构建阶段。也就是说,记忆不是躺在文件里好看,而是要在下一轮推理时重新被取回来。结合下面这张图,这个位置就很好理解了。 你可以把 ...











