OWL: Optimized Workforce Learning for General Multi-Agent Assistance

深度解析 Agent Memory 的工程架构。核心观点：Memory 的难点不在容量，在治理。文章厘清了 Memory 与 State/Policy/Profile 的边界，指出蒸馏只是管理链路中的一个操作而非记忆本身。提出四个建模对象：用户模型、任务模型、世界模型、自我模型。定义了记忆的六个维度（内容/类型/置信度/来源/作用域/时间衰减），以及写入-管理-读取三条链路。强调进化=修正+遗忘，评测从 recall 转向 update/abstain/drift/forget。

Anthropic工程团队详解Managed Agents架构——将Agent的大脑（决策）与双手（执行）解耦的设计范式。Managed Agents允许将子任务委托给专门的Agent执行，主Agent负责协调。这种架构支持Agent的水平扩展，每个子Agent可以独立运行、使用不同工具、拥有独立的上下文窗口。文章详细讨论了委托机制、上下文传递、错误处理和成本控制等工程挑战。

问题来源： 多轮 GRPO 引入归一化项 1/Ti 以避免偏向更长轨迹。然而，这引入了结构性偏差： 定理 1 的直觉： 给定相同上下文，如果两个行动产生： 轨迹 τS：TS 轮，最终奖励 R 轨迹 τL：TL 轮（TL > TS），最终奖励 R 模型会偏向 τS（更少轮次）。 为什么？ 梯度更新中，除非 τL 的聚合贡献至少是 τS 的 TL/TS 倍，否则 ∥gt(τL)∥ > ∥gt(τS)∥。...

By @jakevin7 (卡比卡比) · Mon Mar 02 15:57:31 +0000 2026 📊 ❤️ 74 🔁 4 🔖 92 👁️ 14,471 💬 1 📐 735 words 从 0 到 1，用 AI 辅助开发一个 OpenClaw 类似的 Agentic AI 工具。7 天，73 个 commit，13000+ 行 Rust。 这篇文章记录了整个过程中的思考、踩坑与感悟。 代码在 GitHub。如果你也想造一只属于自己的螃蟹钳子，欢迎 star/fork。我的 GitHub：jackwener，欢迎 follow。 起因 2026 年 2 月，OpenClaw 火了。朋友圈里人人都在聊这只龙虾——一个能在 Telegram 里跟你对话、帮你干活的 AI 智能体。...