AI 智能体核心架构系统讲解
2026-08-15 ·
AI智能体架构设计
从 Harness 到 Memory，系统拆解构建生产级 AI 智能体的七大核心概念。理解大模型如何从"只会想"的孤岛，进化为"能行动、能记忆、能协作"的完整工作单元。
全景概览
一个公式：Agent = Model + Harness
大语言模型（Model）是"大脑"，但它本身是无状态的——每次 API 调用都是从零开始。Harness 是包裹在模型外面的整套基础设施，负责工具调用、上下文管理、记忆持久化、错误恢复和安全执行，将无状态模型转变为能执行多步骤任务的自主智能体（Agent）。
在这个体系中，MCP 提供标准化工具连接，SKILL 封装可复用专业知识，Prompt 定义模型行为指令，Memory 实现跨会话上下文持久化。七者协同，构成完整智能体。
架构分层
用户输入 ← 自然语言指令
▼
Prompt 层 ← 系统提示词 + 指令，定义模型角色、约束与输出格式
▼
SKILL 层 ← 按需加载专业技能，渐进式披露
▼
Model 层 ← 大语言模型推理，负责理解、推理与决策
▼
MCP 层 ← 标准化工具连接，连接外部数据源、API 和服务
▼
Memory 层 ← 持久化记忆，跨会话上下文、用户偏好、项目状态
▼
Harness 层 ← 编排循环 + 执行引擎，调度上述所有组件核心洞察： 大多数 AI Agent 的问题并不是模型问题，而是 Harness 问题。模型可以回答问题，但无法自己读取文件、执行代码、安装依赖或从失败中恢复——这些能力全部来自 Harness 基础设施。LangChain 在 Terminal Bench 2.0 上通过仅优化基础设施（不改模型），将成绩从 52.8% 提升到 66.5%，排名提升 25 个名次。[1]
Harness
智能体运行框架 · 大模型的"操作系统"
定义
Harness 是除模型本身之外的所有代码、配置和执行逻辑。 它将无状态的语言模型转变为能够执行多步骤任务的自主智能体，管理编排循环、工具执行、上下文窗口、记忆持久化、错误恢复、安全执行和输出验证。[1]
用操作系统的类比来理解：一个原始 LLM 就像一颗没有操作系统的 CPU——可以计算，但无法自己读取磁盘、绘制窗口或与网络通信。Harness 就是语言模型的 OS。
OS 类比映射
- Context window = RAM：快速、有限、昂贵，放进去的内容决定模型能推理什么
- 外部数据库 = 磁盘：容量大、速度慢、持久化
- Tools = 设备驱动：模型与外部系统交互的接口
- Harness = 操作系统：管理上下文、持久化记忆、路由工具调用、从错误恢复
Harness vs Framework
Framework（如 LangChain、AutoGen）提供抽象组件，需要人类架构师组装。Harness 来自相反方向——没有组装步骤，交付的是一个可工作的 Agent。核心是一个带有工具注册表和权限层的 while 循环，所有东西已经连接好。
Framework 是为人类组装 Agent 而构建的；Harness 是为 Agent 自己完成任务而构建的。
六大核心组件
| 组件 | 类比 | 核心职责 |
|---|---|---|
| Orchestration Loop 编排循环 | 主循环 / 调度器 | 驱动"观察→推理→行动→观察"的循环，决定何时调用模型、何时执行工具、何时结束任务。是整个 Agent 的心脏 |
| Tool Execution 工具执行 | 系统调用接口 | 解析模型输出的 JSON 指令，从工具注册表中找到对应代码，传入参数，等待返回，将结果格式化后塞回上下文 |
| Context Management 上下文管理 | 内存管理器 | 决定每轮模型能"看到"什么。处理上下文压缩、信息裁剪、优先级排序，防止上下文窗口溢出和上下文腐烂 |
| Memory Persistence 记忆持久化 | 文件系统 | 在多轮交互之间维护状态，将关键信息写入外部文件或数据库，按需检索并注入上下文 |
| Error Recovery 错误恢复 | 异常处理机制 | 处理工具调用失败、格式错误、超时、死循环检测，决定重试、放弃还是换路径 |
| Safety Enforcement 安全执行 | 权限沙箱 | 权限分级、凭据隔离、操作审批，确保 Agent 的行动在受控范围内。敏感操作需要人工确认 |
典型产品
Cursor、Claude Code、Codex、Windsurf 都是围绕大语言模型构建的 Agent Harness 实例。DeepSeek 于 2026 年 8 月发布开源的 DeepSeek Harness，采用"一切皆插件"的架构——模型、工具、技能、沙箱、存储等所有能力均由插件组合，可自由替换、灵活重组。[2]
关键认知
Harness 的难点不是写代码，而是做决策。上下文快满了该丢哪些信息？工具调用失败了该重试还是放弃？模型反复做同一件事，第几次判定为死循环？这些没有标准答案，取决于业务场景、用户容忍度和成本预算。
此外，Harness 编码的假设会随模型改进而过时——旧模型容易输出格式错误，Harness 加了校验和重试；新模型不犯这个错了，这些逻辑就废了。Anthropic 原话："Harness 编码的假设会随着模型改进而过时。"[3]
Agent 与 Model
大脑与完整工作单元
Model：大语言模型
Model 是 Agent 的"大脑"——一个无状态的函数，将输入文本转化为输出文本。它能理解语言、推理逻辑、生成内容，但本身不携带状态，不执行代码，不访问网络。
当前主流模型包括 Claude（Anthropic）、GPT（OpenAI）、Gemini（Google）、DeepSeek 等。模型正在快速商品化，各家能力趋于收敛。
Agent：智能体
Agent = Model + Harness 的完整工作单元。它能自主决定下一步做什么——调用什么工具、读取哪个文件、是否需要搜索、何时结束任务。
大模型说"我要调搜索"时，它只输出了一段 JSON 文本。是 Runtime 解析了这段 JSON，是 Gateway 转发了请求，是 Policy 检查了权限，是 Memory 记录了结果——这些"动手"的全是 Harness。
本质区别： 大模型负责"想"，Harness 又动手又兜底。大模型输出的只是一段文字，它没有真的上网、没有连接搜索引擎、没有拿到结果。Harness 才把指令变成真正的动作。[3]
Agent 的核心能力
Agent 的核心能力就一个：大模型自己决定下一步调什么函数，是模型实时判断出来的，也是模型根据当前上下文"想"出来的。其余的归 Harness，都为了让这个过程能跑得稳、跑得快、跑得安全。世界上没有脱离 Harness 的 Agent。
Model 能力维度
| 维度 | 说明 | 发展趋势 |
|---|---|---|
| 上下文窗口 | 模型一次能处理的文本长度，从 32K 到 2M tokens 不等 | 持续扩大，但"更大不等于更好"——信息过载导致注意力衰减 |
| 推理能力 | 逻辑推理、代码生成、数学计算的准确度 | 新一代模型判断力显著提升，减少了对硬性规则的依赖 |
| 工具调用 | 输出结构化 JSON 指令的能力（function calling） | 从专有格式向 MCP 等开放标准收敛 |
| 格式控制 | 稳定输出指定结构数据的能力 | API 层可通过 Schema 约束，稳定性大幅提升 |
Anthropic 的发现
官方团队将 Claude Code 的系统提示词删减 80% 后，编程评测成绩未降级。原因是新模型判断力变强了，旧式"规则堆砌"反而制造"上下文腐化"——规则互相打架，模型需要额外精力判断优先级。新做法是"只给方向，不给死规矩"——从"给规则"到"让模型运用判断力"。[4]
MCP
Model Context Protocol · AI 领域的"USB-C 接口"
定义
MCP（Model Context Protocol，模型上下文协议） 是 Anthropic 于 2024 年 11 月开源的协议标准，旨在标准化大语言模型与外部数据源、工具和服务之间的交互方式。[5]
在 MCP 出现之前，开发者需要为每个数据源编写特有的连接代码——Google Drive 一个、Slack 一个、数据库又一个。MCP 提供了一个通用协议，让 AI 系统可以通过单一标准连接任意数据源，替换碎片化的定制集成。
架构
MCP Host（宿主） ← 运行 AI 模型的主应用，如 Claude Desktop、IDE 插件
↕ 1:1 有状态会话
MCP Client × N ← Host 内部中间件
↕ JSON-RPC 2.0
MCP Server × N ← 文件系统服务 / 数据库查询服务 / 第三方 API 网关三大原语（Primitives）
| 原语 | 控制方 | 说明 | 示例 |
|---|---|---|---|
| Resources 资源 | 应用控制 | 类似"读取"操作。暴露只读数据源，模型可访问静态数据 | 本地文件、配置文件、API 文档 |
| Tools 工具 | 模型控制 | 类似"执行"操作。模型可调用的动作或函数，支持双向交互和状态变更 | 数据库写入、API 调用、文件操作 |
| Prompts 提示模板 | 用户/开发者 | 服务器提供的预设指令模板，帮助模型理解如何使用该服务器的数据和工具 | SQL 查询模板、代码审查模板 |
通信机制
基于 JSON-RPC 2.0 协议，支持两种传输方式：
- STDIO（标准输入输出）：用于本地 MCP 服务器，低延迟
- HTTP SSE（Server-Sent Events）：用于远程 MCP 服务器，通过 HTTP/HTTPS 访问
动态发现机制允许 AI 模型实时集成新工具，无需预定义代码。
核心优势
- 标准化集成：减少 80% 定制开发代码，开发周期平均缩短 40%[6]
- 安全性：通过权限分级和凭据隔离，避免敏感数据直接暴露给模型
- 模块化扩展：支持动态接入各类服务，形成正向生态飞轮
- 模型无关：与具体模型解耦，任何支持 JSON-RPC 的 AI 应用都能使用
生态进展
早期采用者包括 Block、Apollo；开发工具厂商 Zed、Replit、Codeium、Sourcegraph 已集成 MCP。预构建服务器覆盖 Google Drive、Slack、GitHub、Git、Postgres、Puppeteer 等主流服务。MCP 已成为 AI 工具连接领域的事实标准。
SKILL
Agent Skills · 可复用的结构化专业说明书
定义
Skill 是一个包含指令、脚本和资源的文件夹，用于教会大模型如何更好地执行特定任务。 它将特定领域的知识、标准、操作流程打包成结构化模块，让 AI 助手像加载"按需专家"一样扩展自身功能。[7]
Anthropic 于 2025 年 10 月推出 Skills，12 月正式作为开放标准发布。Simon Willison 评价："Claude Skills 可能比 MCP 更具影响力。" 目前已获得 Microsoft（VS Code、GitHub）、Cursor、Goose、Amp 等平台采用，Anthropic 的 Skills 仓库在 GitHub 上突破 6 万 star。
Skill 的文件结构
---YAML 前置元数据---
name: my-skill-name
description: 技能描述和触发条件
version: 1.0
tags: ["react", "frontend"]
---
# 技能名称
## 指令
[Claude 执行任务时遵循的详细步骤]
## 示例
[具体使用场景]
## 指南
[最佳实践和注意事项]每个 Skill 由三部分构成：SKILL.md（主要指令文件，必需）、scripts/（可执行代码，可选）、reference/（参考资源，可选）。
渐进式披露（Progressive Disclosure）
Skills 的核心加载策略，与传统上下文注入方式截然不同：
- 第一层：目录预加载 — 对话开始时扫描技能文件夹，仅读取名称和概要描述（约 30-50 Token）
- 第二层：模型自主激活 — 模型根据用户请求和 Skill 描述自动判断是否需要加载某个技能，无需显式调用
- 第三层：按需加载内容 — 根据任务需要逐步读取相关章节，不一次性加载全部内容，保持上下文高效利用
vs 传统 Prompt
传统系统提示词每次对话都需完整加载所有背景信息。Skills 采用"索引→按需加载"方式：先加载 30-50 Token 的技能索引，需要时再逐级加载详细内容，避免上下文被无关信息撑爆。
vs RAG vs 微调
- 微调：需消耗算力改变模型权重，成本高、不灵活
- RAG：依赖向量数据库检索质量，黑箱
- Skills：通过"文件夹+Markdown"实现知识直接挂载与按需调用，比微调灵活，比 RAG 透明，人可审计、Git 友好
实际案例
- Rakuten：管理会计和财务工作流自动化，8 小时任务缩短到 1 小时
- Notion：让 Claude 与 Notion 无缝协作，复杂任务更少需要反复调试提示词
- SEO 优化师：将完整 SEO 优化流程封装为单个 Skill，2+ 小时工作缩短到几分钟
- 金融报告流水线：Skills 串联 Excel→PPT→PDF，Token 效率提升约 90%[7]
存储与优先级
- 个人 Skills：存放于
~/.claude/skills/，跨项目共享，不提交版本控制 - 项目 Skills：存放于
.claude/skills/，可提交 Git 团队共享，随项目分发 - 当同名 Skill 同时存在于两个目录时，项目级优先级更高，允许项目级定制覆盖个人配置
Prompt
提示词 · 上下文工程的最内环
定义
Prompt 是输入给大语言模型、用于引导其输出的指令。 在早期 AI 应用中，Prompt 工程是优化的核心——通过设计更好的提示词来改善模型输出。
随着 AI 系统复杂化，行业认识到 Prompt 只是更大体系的一环。中国信通院将智能体工程化概括为三层递进：Prompt 工程（解决模型"如何理解任务"）、Context 工程（解决模型"依据什么信息作答"）、Harness 工程（解决智能体"如何在真实系统中可靠执行"）。[8]
Prompt 工程 vs Context 工程
| 维度 | Prompt 工程 | Context 工程 |
|---|---|---|
| 核心问题 | "我该怎么措辞这个指令？" | "模型现在需要知道什么？" |
| 范围 | 单次查询 | 系统级信息流 |
| 状态 | 几乎无状态，单次 | 有状态，跨多步演化 |
| 失败模式 | 歧义：措辞不当导致误解 | 检索问题：错误文档、过期信息或上下文腐烂 |
| 关系 | 嵌套关系，非取代关系。Prompt 是最内环（仍然承重），Context 包在它外面 |
纠正一个流行误导
"Prompt 工程已死，被 Context 工程取代"是错误的。它们不是取代关系，而是嵌套关系——Prompt 是最内环，Context 是包在它外面的状态空间。两者相乘，缺一不可。最内环一旦松动，外面包再多 Context 也救不回来。[9]
上下文工程的四大操作
大多数上下文工程工作可以归结为对上下文窗口的四种操作：
- Write（写入）：将上下文持久化到窗口之外——草稿本、文件、记忆存储、任务列表，使其超越单个窗口存活，可被按需召回
- Select（选择）：从可用信息中筛选正确的子集放入上下文，如 RAG 检索、记忆召回、工具结果截断
- Compress（压缩）：将长内容压缩为更短的摘要——对话历史压缩、工具输出摘要，用更少的 Token 保留核心信息
- Isolate（隔离）：将上下文隔离到子任务或子 Agent 中——每个子上下文窗口独立工作，互不干扰
"少管式"提示词
Anthropic 的新范式：从"给具体规则"到"给方向和原则"。例如把"默认不写注释"改成"写出与周围代码一致的代码"，模型会自己匹配注释密度、命名风格与上下文习惯。从"给具体示例"到"设计接口"——把工具参数设计清楚、枚举值列明白，模型自然知道怎么用。从"全部前置上下文"到"渐进式披露"——把独立信息放进 Skills，按需调用，不占日常上下文空间。[4]
Memory
记忆系统 · 跨会话的持久化上下文
定义
Memory 是让 Agent 在多轮交互之间维护状态的机制。 大模型的原生设计是无状态的——每次 API 调用都是从零开始的计算。上下文窗口只是"工作记忆"，一旦跨会话、跨天、跨任务，Agent 就会集体"失忆"。[10]
行业在 2026 年达成共识：推理能力在被快速攻克，记忆才是真正的瓶颈。Sam Altman 直言当前 AI 的记忆还处在"GPT-2 时代"，强个性化记忆将成为核心护城河。一句话总结：2024 年卷上下文窗口，2025 年卷工具调用，2026 年卷记忆。
认知科学映射
工业界采用认知科学的记忆分层模型来组织 Agent Memory：
| 记忆类型 | Agent 中的对应 | 典型实现 |
|---|---|---|
| 工作记忆 Working Memory | "我正在做什么"——当前上下文窗口 | Prompt 中的消息历史、状态 |
| 语义记忆 Semantic Memory | "我知道什么"——事实与偏好 | 用户画像、KV 事实库、知识图谱 |
| 情景记忆 Episodic Memory | "我经历过什么"——具体事件与经验 | 历史会话、任务轨迹、失败案例 |
| 程序性记忆 Procedural Memory | "我会做什么"——技能与规则 | 系统提示词迭代、Rules 文件、Skills |
Claude Code 三层记忆架构
Claude Code 的记忆设计有一个核心理念：文件系统即记忆。它选择了一种极简的、人可读的、Git 友好的方案，而非依赖复杂的向量数据库。[11]
L1 上下文内记忆（类比：CPU L1 缓存）
当前会话中 Message 列表的内容。速度最快但最脆弱——容量有限（即使 200K Token 也会耗尽），会话结束即丢失。两大硬约束：容量硬顶 + Context Rot（模型对上下文中间位置注意力显著低于首尾）。
L2 外部文件记忆（类比：L2 缓存 + 数据库索引）
当上下文窗口不够时，信息"外溢"到持久化存储。存储的不是完整信息，而是约 150 字符的指针索引。优势：按需加载、人可审计、Git 友好。Agent 只读取与当前任务相关的文件。
L3 跨会话持久记忆（类比：数据库 / 磁盘存储）
通过 CLAUDE.md 等文件实现跨会话记忆。Claude Memory 于 2025 年 9 月正式推出，允许 Claude 记住项目细节、用户偏好和团队流程。记忆按项目隔离，防止机密信息交叉泄漏。[12] Auto Memory 机制自动记录四类记忆：user（用户角色偏好）、feedback（用户纠正反馈）、project（项目进展决策）、reference（外部资源指针）。
记忆的五段式生命周期
无论哪家实现，都可以抽象为同一个闭环：
编码（从对话中抽取关键信息）→ 存储（写入向量/图/文件）→ 检索（召回相关记忆）→ 注入（注入上下文窗口）→ 巩固/遗忘（更新、合并、淘汰过期信息）
关键限制
- 不是真正的记忆：与人类的情景回忆不同，Claude 的记忆基于显式脚手架——日志、提交和环境状态。忘记记录，Agent 就忘记
- "褪色记忆"问题：随着 CLAUDE.md 文件变得更大，模型在海量上下文中定位相关信息的能力下降——信号被噪声淹没
- 开发者依赖：系统在开发者编写结构良好的提示词、强制会话边界和维护清晰文档时效果最佳
协同架构
七大概念如何协同工作
一个完整请求的生命周期
以下是一个典型 AI 智能体处理用户请求的完整流程，展示七大概念如何协同：
步骤 1：用户输入 + Prompt 加载 用户发出自然语言指令。Prompt 层加载系统提示词，定义模型角色、约束与输出格式。同时加载 Memory 中的用户偏好和历史上下文。
步骤 2：Skill 匹配与加载SKILL 系统扫描技能目录（仅 30-50 Token），根据用户请求匹配相关技能，按需加载详细指令到上下文窗口。
步骤 3：Model 推理决策Model（大语言模型）处理组装好的完整上下文——系统提示+技能指令+记忆+用户请求——推理出下一步行动，输出结构化 JSON 指令（如"调用搜索工具"）。
步骤 4：Harness 解析与调度Harness 的 Runtime 解析模型输出的 JSON 指令，Gateway 路由到正确的执行目标。Policy 层在执行前检查权限和安全约束。
步骤 5：MCP 工具执行MCP Client 将工具调用请求发送到对应的 MCP Server，Server 执行实际操作（数据库查询、API 调用、文件操作），返回结构化结果。
步骤 6：结果处理与记忆更新Harness 将工具结果格式化后注入上下文。Memory 层将关键信息持久化——更新项目状态、记录决策、保存用户反馈。Context Manager 管理上下文窗口，必要时压缩或裁剪旧信息。
步骤 7（循环）：编排循环继续Harness 的编排循环决定是否继续——如果任务未完成，回到步骤 3 让 Model 处理更新后的上下文；如果完成，输出最终结果。整个过程可能循环数十甚至数百次。
横向对比
七大概念定位与关系
核心概念对比
| 概念 | 角色定位 | 类比 | 解决的核心问题 | 提供方 |
|---|---|---|---|---|
| Model | 推理引擎 | 大脑 / CPU | 理解、推理、生成 | Anthropic, OpenAI, Google, DeepSeek |
| Harness | 运行框架 | 操作系统 | 编排、执行、恢复、安全 | Claude Code, Cursor, Codex, DeepSeek Harness |
| Agent | 完整工作单元 | 数字员工 | 自主完成多步骤任务 | Model + Harness 的产物 |
| MCP | 工具连接协议 | USB-C 接口 | 标准化工具/数据接入 | Anthropic 开源标准 |
| SKILL | 专业知识模块 | 按需专家 | 可复用的领域知识封装 | Anthropic 开放标准 |
| Prompt | 行为指令 | 工作指令 | 定义模型角色与行为约束 | 开发者 / 系统设计 |
| Memory | 持久化上下文 | 笔记本 / 日志 | 跨会话状态保持与经验复用 | Agent 内置机制（如 CLAUDE.md） |
三组关键对比
MCP vs SKILL — MCP 解决"连接"问题——让 Agent 能调用外部工具和数据源。SKILL 解决"知识"问题——让 Agent 拥有领域专业能力。MCP 是"手"的延伸，SKILL 是"脑"的扩展。
Prompt vs SKILL — Prompt 是每次对话都加载的底层指令。SKILL 是按需加载的专业模块，仅消耗 30-50 Token 索引。Prompt 是"基本职责"，SKILL 是"专业技能证书"。
Memory vs Context — Memory 是持久化存储，跨会话存活。Context 是当前窗口内的信息，会话结束即消失。Memory 是"硬盘"，Context 是"内存"。
演进趋势
从模型竞赛到系统工程
发展时间线
2023 - 2024：卷上下文窗口 大模型竞相扩大上下文窗口，从 32K 到 128K 再到 1M+ Tokens。但行业很快发现"更大不等于更好"——信息过载导致注意力衰减（"lost in the middle"效应）。
2024 年 11 月：MCP 发布 Anthropic 开源 Model Context Protocol，标准化 AI 与外部工具的连接方式，被类比为"AI 领域的 USB-C 接口"。
2025 年：卷工具调用 + Skills 发布 Function Calling 成为标配。Anthropic 于 10 月推出 Agent Skills，12 月正式作为开放标准发布。Context Engineering 概念走红。
2026 年：卷记忆 + Harness 工程 Mem0、Letta、Zep 等记忆框架批量涌现，记忆成为独立赛道。中国信通院提出"Prompt→Context→Harness"三层工程化体系。DeepSeek 发布开源 Harness，"一切皆插件"架构引发关注。
趋势判断
模型正在商品化，竞争维度从"模型能力"上升到"模型如何利用工具"的底层运行时领域。未来 1-2 年，Harness 工程和记忆架构将成为决定 Agent 产品力的关键变量。上下文工程将取代单一的 Prompt 工程，成为 AI 应用的核心方法论。
总结
七大概念一句话回顾
- Model — 大语言模型是 Agent 的"大脑"，能推理、生成、决策，但本身无状态、不执行、不联网。模型正在商品化，各家能力趋于收敛
- Harness — 模型外面的整套基础设施，是语言模型的"操作系统"。管理编排循环、工具执行、上下文、记忆、错误恢复和安全。Agent = Model + Harness
- Agent — Model + Harness 的完整工作单元。核心能力是"大模型自己决定下一步调什么函数"，其余的归 Harness，让这个过程跑得稳、快、安全
- MCP — AI 领域的"USB-C 接口"，标准化连接外部工具和数据源。三大原语：Resources（读取）、Tools（执行）、Prompts（模板）
- SKILL — 可复用的结构化"专业说明书"，通过渐进式披露按需加载。仅 30-50 Token 索引即可激活，比 RAG 透明，比微调灵活
- Prompt — 上下文工程的最内环，定义模型行为指令。与 Context 工程是嵌套关系而非取代关系，两者相乘缺一不可
- Memory — 跨会话的持久化上下文，2026 年的竞争焦点。认知科学四层映射：工作记忆、语义记忆、情景记忆、程序性记忆。Claude Code 采用"文件系统即记忆"理念，三层架构：L1 上下文内→L2 外部文件→L3 跨会话持久
一句话总结： Model 是大脑，Harness 是操作系统，Agent 是完整的人，MCP 是手延伸的接口，SKILL 是按需加载的专业知识，Prompt 是行为指令，Memory 是跨会话的笔记本。七者协同，让 AI 从"只会想"进化为"能行动、能记忆、能协作"的数字员工。
参考资料： [1] LangChain Blog · [2] DeepSeek 官方 · [3] Anthropic Engineering · [4] Anthropic Prompt Engineering Guide · [5] MCP 官方文档 · [6] MCP 生态报告 · [7] Anthropic Skills 文档 · [8] 中国信通院 · [9] Context Engineering 相关讨论 · [10] AI Memory 综述 · [11] Claude Code 文档 · [12] Claude Memory 发布说明