FutherAll

最后多说一句 Agent 现阶段在技术原理上没有什么难点，更多的工程实现上的不断尝试和迭代摸索出更优的架构和每个模块最佳的实践，这个是 Claude Code 的优势，我觉得你的 Agent 在没有一定用户量规模的前提下还是别太自 High

1. 最小工具集方面，cc 很早就支持了 tool search ，skill 也是渐进式披露的，工具的设计更多的是工具粒度设计，这个随着 Agent 的迭代以及面向场景的扩展，没有什么显著的意义
2. 分层记忆这个本身已经是 Agent 设计的标配了，cc 本身就有的机制，包括一些开源的 Agent 比如 https://github.com/HKUDS/nanobot 也有比较成熟的设计
3. skills 结晶和自我进化这个学术界已经在研究和解决了，这套逻辑难点是怎么解决 Skills 进化后的可用性、有效性，没看到 GA 上有什么这方面创新或者优势，比如怎么解决长期的腐化问题
4. 截断和压缩这个就不说了，现在 Agent 的标配，GA 看起来是固定阈值和周期的硬规则，比如浮动阈值、对话摘要（防止阶段）都没看到

最后论文里的评测和 Benchmark 看起来都不太置信，比如很多统计都是单点的，没有多次运行的均值和方差统计，众所周知 LLM 本身是概率性的，单点观测没什么价值，样本量也比较小。
综合看就是一个比较基础的 Agent 实现，所谓的创新点其实是已有甚至落后的，和看到标题点进来的预期差距太大了，不怪大家这么多意见。

刚好最近也在写 Agent ，看了下项目和论文，没看到什么创新点

[CPU]Intel 酷睿 i5 14600KF
[主板]微星 PRO Z790-A MAX WIFI7 D5
[显卡]七彩虹 RTX4070Ti SUPER AD OC 16G 银鲨
[内存]芝奇 幻锋戟 48G(24x2)DDR5 6800 RGB C34 黯雾黑
[硬盘]三星 990PRO 2TB 读速 7450MB/S
[电源]海韵 FOCUS GX850W 金牌全模 黑
[散热]瓦尔基里 R125 7 热管 2.4 寸液晶屏 ARGB 黑
[机箱]爱国者 星璨 大岚 全景海景房 黑


我的配置参考下，1.5w 左右，还在观望中

提前返回

哪一款啊，beats fit pro 吗

@zhuzhuaini https://dev.mysql.com/doc/refman/5.7/en/group-replication-primary-secondary-replication.html
从库是通过 I/O 线程拉取主库的 binlog 然后重放实现同步数据的，理论上是会增加主库的整体 I/O 压力，但是感觉还好。

基于 binlog 同步的，不会频繁从主库读数据吧