本文介绍了针对 Agent 长程任务中断恢复需求的完整实践方案，旨在解决用户主动、工具执行及系统级中断带来的稳定性问题。该方案采用“框架层 Checkpoint + 上层任务调度”的两层架构，在不修改 Spring AI Alibaba 框架源码的前提下，通过扩展 InterruptableAction、利用 Hook 机制注入自定义逻辑（如关机信号检测、消息顺序修正、多工具调用 Mock 返回及子图会话 ID 记录）来实现进程内的状态保存与恢复；同时，上层调度通过 MQ 摘流防止关机机器消费新消息，并结合任务表与 MQ 消息队列协调跨进程的任务恢复，有效覆盖了包括人机协作、多 Agent 协同及系统重启在内的多种复杂中断场景，保障了 Agent 系统的稳定长期运行。
本文提出 SmartPhotoCrafter，一种全新的统一理解—生成—优化框架，为自动图像优化提供了新的技术范式。该方法将图像优化建模为“先分析、再决策、后优化”的 Reasoning-to-Generation 流程：模型首先通过Image Critic对画面质量、光影、色彩和构图进行链式推理；随后由Photographic Artist执行高保真修复与美学增强。SmartPhotoCrafter能够统一完成去雾、去模糊等图像修复任务以及专业调色与风格优化，同时支持用户指令驱动的主动编辑。该方法在保留原始场景的内容结构与细节的同时提升图像质量，实现兼具真实性与美感的自动图像优化。
当 AI 应用开始在运行时解释数据、选择工具并影响业务状态时，数据表示中的遗漏和歧义可能直接转化为行动风险。本文从退款案例出发，提出 Reality First 的观察顺序：先明确系统面对的领域现实，再讨论现实模型、数字表示以及验证反馈如何共同支撑软件的判断与行动。 研究说明：知识驱动计算（Knowledge-driven Computing，KDC）是我们提出和正在打磨的一套 AI 应用软件工程理论，目前仍处于开放研究阶段。它不是业界已有的通用概念，也不是已经成熟的架构标准。这一系列文章将从具体工程问题出发，逐步说明我们为什么提出 KDC、它试图解释什么，以及哪些判断仍有待实践验证。
团队里总有几个"被反复问的人"：指标口径、取数路径、诊断顺序……回答得越好，被问得越多。问题出在经验只能一对一交付，困在个人身上。本文结合 E-SAGE 电商 Agent 服务平台实践，给出三条判断标准——咨询频次高、判断路径固定、结论因人而异，符合两条就值得做成 Agent。更关键的是，门槛不在编程能力，而在业务理解：谁能把判断说清楚，谁就能让经验变成组织资产。不妨从那个"你今年已回答过很多次、每次答案都差不多"的问题开始。
最近，团队推出了面向测试自动化的 NL2Test Agent：QA在测试过程中， 只需用自然语言描述测试场景，Agent 就能自动生成可运行的回归测试用例，让测试资产沉淀更加高效。 目前已在多条业务线部署，从反馈来看，这个方向已经跑通：85.4% 的生成用例被集成到 CI/CD 工作流中；新增用例里，平均值约25%来自 Agent 生成，个别业务团队峰值可达50%+，且比例仍在持续提升；Agent用户月活率达到30.7%；工具平均每双周为部门节省约 30 人天投入。 回头看，NL2Test Agent 能够真正被 QA 用起来，不仅仅是因为模型能力提升，更关键的是我们在场景选择和工程设计上做对了几类取舍。
DSH 这么好玩，但是只能在电脑上玩太可惜了，于是我用 Kuikly 框架做了一个 APP，一码三端的跨端原生 app，按官方 Host 协议跟电脑上的 DeepSeek Harness 对话。
今天的 Agent 系统看起来很像一套小型操作系统：它们管理子 Agent 进程，维护长期记忆文件，通过工具驱动接触外部世界，还要处理权限、隔离、恢复和观测。可它们的起点并不宏大。最初，开发者手里只有一个把输入映射为输出的语言模型。复杂性并不是一次设计出来的。每当模型试图越过一次调用的边界，系统就必须在模型外面增加一个新部件：模型不知道此前聊了什么，于是出现上下文；模型无法改变世界，于是出现工具；一次工具调用解决不了任务，于是出现循环；上下文装不下历史，于是出现记忆；循环开始产生真实副作用，于是出现权限与沙箱；一个循环不够并行，于是出现子 Agent...
