💻 Coding Agent 与通用 Agent
将上下文工程与工具设计组合成"能处理任意任务的通用 Agent"架构：核心是 Coding Agent + 文件系统——代码生成不只是一个工具，而是一种元能力，能在运行时动态创造新工具和新能力。
🎯 核心论点
1
通用 Agent 的核心 = Coding Agent + 文件系统——代码生成是元能力，能在运行时动态创造新工具、新约束、新表达，从 Manus 到 OpenClaw 都遵循这一范式。
2
只需七个核心工具——Code Interpreter、Bash Shell、读/写/编辑文件、Glob、Grep 即可覆盖绝大部分任务，集成成本极低。
3
文件系统是记忆、知识与能力的中枢——用 Markdown（MEMORY.md + 日期化日志）而非向量库，可读可改、保留时序、可 Git 回滚。
4
成熟度来自软件工程基础设施——Coding Agent 成熟不是因为代码模型强，而是测试、CI、Lint、Git 几十年积累天然构成强大 Harness。
5
元能力六个方向——思考工具、业务规则约束、多媒体生成、系统适配器、生成式 UI、Agent 自举（作用对象由内向外）。
6
安全防线——"致命三要素"（私有数据 + 不受信任内容 + 外部通信）+ "持久记忆"放大器；以语义解析、沙盒隔离、忠诚度守则、数据层信任边界兜底。
🗂️ 关键概念卡片
Coding Agent
能自主写代码、改代码、跑代码的 Agent通用 Agent 的核心：代码生成为元能力、文件系统为中枢的 Agent 架构
七个核心工具
Coding Agent 的极简工具箱Code Interpreter、Bash、读/写/编辑文件、Glob、Grep 五类动作的工具化
文件系统中枢
Agent 的记忆与知识都存成文件记忆存于 MEMORY.md 与按日期归档的 Markdown 日志，可读可改、保留时间顺序、可 Git 版本控制
元能力
"能创造其他能力"的能力Agent 当场写出新工具、新约束、新表达完成任务，不必事先预制所有能力
Harness 四组件
让 Agent 不做错事的基础设施验收基线（什么算做完）、执行边界（能碰什么）、反馈信号（自动对错判断）、回退手段（如何恢复）
四层故障分类
生产故障按发生位置分类API 层（限流/超时）、工具层（幻觉调用）、上下文层（溢出）、控制流层（死循环）
死亡螺旋
错误恢复逻辑自己又出错错误路径上禁用一切会再次调用 LLM 的副作用逻辑，并用递归深度计数器打断连锁
提议者-审核者
生成与审查分离的双 Agent 模式Proposer 生成代码，Reviewer 渲染后用 Vision LLM 给结构化反馈，迭代到质量达标或最大轮数
Artifact 模式
Agent 生成代码、系统直接执行LLM 只写 SQL/前端代码，数据从数据库直达用户界面，绕过 LLM 复述，快速且防抄写错误
致命三要素
Agent 被注入后造成损失的三个条件访问私有数据 + 暴露于不受信任内容 + 具备外部通信能力
Agent 自举
用代码创造或修复 Agent 自身以高质量范例为基础"自我复制并适应性修改"，如 OpenClaw doctor 分层自修复
🖼️ 原书配图详解
图 5-1 OpenClaw 架构——多平台消息网关 → Coding Agent 运行时（Code Interpreter、Bash Shell）→ 文件系统/记忆
图 5-2 Coding Agent 工作流程——项目文档化（read/glob/write → CLAUDE.md）、需求理解（ask_user）、工程化流程各阶段
图 5-3 搜索工具对比——正则内容匹配（rg）与文件名匹配（glob）的查询与结果，精确匹配两类搜索
图 5-4 五种文件编辑方案对比——Diff+Apply、Old→New、行号定位、类 Vim、字符串首尾匹配
图 5-5 PPT 提议者-审核者机制——Proposer 生成 Slidev Markdown → 渲染 → Reviewer 视觉审查
图 5-6 论文到讲解视频流水线——PPT 生成 → 口语化讲解词 → TTS → ffmpeg 合成
图 5-7 生产日志诊断流水线——轨迹采集 → LLM 分析（轨迹+架构文档+PRD）→ 问题报告/回归测试 → MCP 建 Issue
图 5-8 动态表单生成流程——"订去北京的机票"→ LLM 生成含级联逻辑的 HTML 表单 → 用户一次提交
图 5-9 SQL 查询 Agent 流程——传统"数据经 LLM"（低效）vs Artifact 模式（LLM 只生成 SQL 由 DB 执行）
图 5-10 Agent 自举循环——生物进化（DNA 自复制，37 亿年盲目试错）vs 代码自举（理解 + 定向设计）
图 5-11
能创造 Agent 的 Agent 流水线
Meta-Agent 阅读参考代码 → 复制脚手架（cp -r reference/）→ 针对性修改——"基于范例生成"的自举实现（实验5-16）
📊 关键案例与数据
| 案例 / 数据 | 要点 |
|---|---|
| 实验 5-1 跨厂商轨迹接管 | 中立格式 6/6 切换成功，原样直传 3/6——"跨厂商接管能带走的是文字，带不走的是凭证" |
| 实验 5-9 代码 vs 生成模型 | 17 行 CadQuery 全尺寸零偏差；Hunyuan3D 外径偏差 −99.4%；M5→M6 变更代码路线只改一行 |
| 实验 5-6 论文转 PPT | 双 Agent 峰值上下文 24,186 vs 单 Agent 92,601（低 3.83×）——提议者-审核者的上下文优势 |
| 压缩熔断阈值 | "连续 3 次"来自真实统计：曾有会话连续失败 3000+ 次，此类无效重试全球每天约浪费 25 万次 API 调用 |
| 思考工具实验 | 代码臂 AIME 53.3% vs 纯 CoT 36.7%；K&K 84 题负结论如实保留——实验诚实记录 |
💬 金句摘录
代码生成不只是一个工具，而是一种元能力——能在运行时动态创造出新的工具和能力。
Coding Agent 之所以成熟度高，不是因为代码生成模型特别强，而是因为软件工程几十年攒下的基础设施——测试套件、类型系统、版本控制——天然构成了一套强大的 Harness。
代码不只是写程序的工具，它是 Agent 形式化思考和精确表达的语言。
🧪 配套实验亮点
实验 5-1 跨厂商轨迹接管（★★★）中立轨迹格式三厂商互切
实验 5-6 论文转 PPT（★★）提议者-审核者上下文优势
实验 5-9 代码 vs 生成模型（★★）法兰盘双路线对比
实验 5-10 自适应日志解析（★★★）自进化闭环
实验 5-15 权限内嵌数据对象（★★★）权限强制下移数据层
实验 5-16 能创造 Agent 的 Agent（★★★）元编程与自举验证