Agent 的 Continual Learning
从实践出发拆解 Agent Continual Learning 的三层框架 -- Model、Harness、Context，结合 Long-Run Agent 实际系统说明工程上最值得投入的学习层次。
OpenClaw 不是终点 -- Long-Run Agent Harness 和 Agent Team 更可能是未来
从深度使用OpenClaw的实践出发，分析其在Context设计、智能底盘和Team协作上的局限，探讨为什么Long-Run Agent Harness和Agent Team才更可能是AI员工系统的未来方向。
我是如何用 AI 自动获取技术资讯的
每天刷技术资讯太耗时？AInformer 是一个 AI 驱动的信息聚合工具，自动抓取 GitHub Trending、Hacker News、Reddit 等平台内容，用 LLM 按偏好筛选后推送到飞书，5分钟看完每日技术要闻。
用 OpenClaw + 飞书打造 AI-Native 博客运营系统
用 OpenClaw AI Agent 托管平台搭配飞书，打造一套 AI-Native 博客运营系统，覆盖信息监控、内容管理、数据汇总和读者互动，让创作者只需专注写作本身，其余交给 AI 自动化处理。
ResearcherZero V0 发布 —— 一个陪你一起学习的 AI 研究员
ResearcherZero V0 正式发布，一个住在 Claude Code 里的 AI 研究员，能持续学习你感兴趣的领域、结构化存储认知、从已有积累出发回答问题，解决研究者在信息过载与信息焦虑间反复横跳的困境。
ResearcherZero 实现方案 -- 把 Claude Code 变成 AI 研究员
ResearcherZero 的工程实现方案：放弃自建 Agent 框架，完全接纳 Claude Code 的 model-driven agentic loop，通过注入研究者灵魂而非对抗底层机制，把 Claude Code 变成一个真正的 AI 研究员。
DeerFlow 的 Skills 实现机制
代码级拆解字节跳动 DeerFlow 的 Skills 运作机制，涵盖 Skill 元数据注入、SKILL.md 读取、沙箱执行等五层架构，帮助开发者自己实现一套可插拔的 Agent Skill 系统。
互联网中skills的介绍很多，但到底怎么让自己的Agent支持Skills？
互联网上关于 Agent Skills 的科普很多，但如何统一实现这套机制却鲜有讨论。本文梳理 Skills 机制的核心设计思路，并分享一个基础实现方案，适合正在开发 Agent 系统的工程师参考。