工作原理
一轮对话内部到底发生了什么——检索、记忆、工具、上下文、渠道，以及哪些数据始终不外流。
有据可查的回答
一份文档如何变成智能体能够引用作答的材料——切块、上下文头、查询改写，以及相关性下限。
每位客户一份记忆
对话如何沉淀为关于某位客户的持久事实——提炼、去重、重要度，以及召回时取回什么。
工具与 MCP
智能体如何从「会回答」走到「会动手」——工具循环、上下文预算，以及把你自己的系统接进来。
一个智能体，通吃所有渠道
网页挂件、Telegram 和 WhatsApp 如何接到同一个智能体、共用同一份记忆——身份解析、共享的控制流，以及哪些部分保持渠道特有。
Why agents get worse as context grows
Context rot, in concrete terms. Every turn is one self-contained request to the model; a long or tool-heavy one measurably lowers the accuracy of the answer. What that request contains, what gets dropped when it does not fit, and why the platform re-renders it before writing the answer instead of summarising tool results.
Where a conversation lives between turns
If every turn is one self-contained request, where does the rest of the conversation sit? What gets stored per turn and what never does, the verbatim window, how older turns are folded into a rolling summary exactly once, what happens when a single turn still overflows, and which facts outlive the session.
定时跟进
智能体如何把工作排到之后再做，并把结果送回它来的那个渠道——持久化任务、原子领取与故障恢复。
隐私是设计出来的
由数据库强制的隔离、按用户密钥的字段级加密，以及关于端到端加密到底给了你什么、没给你什么的实话。
跑在开源模型上
模型层如何与智能体层保持分离——能力探测、多后端路由，以及小型开源模型在工具调用上翻车的四种方式，网关都替你挡了。