生产级多模态炼金室

给Agent加个最大调用次数，超了就强制停，比写prompt管用多了。

这个坑我太懂了，之前也是被多轮记忆整得头大。我现在是分两层做：短期记忆直接存最近几轮原始对话，长期记忆用LLM把每轮关键信息抽成结构化摘要存向量库，用户回头问“刚才那个方案”时，靠摘要检索把相关上下文拉回来拼进prompt。token爆的问题可以试试只把摘要+当前问题喂给检索器，原文只在需要引用时才调出来，另外像Mem0或者LangGraph自带的一些记忆机制也可以参考，别自己硬造轮子。

这个思路确实挺巧妙的，把LLM不擅长的连续坐标推理剥离出去，用确定性模块兜底，感觉比硬让模型去学坐标回归靠谱多了。不过我有点好奇，这种2D+垂直堆叠的假设会不会对自由形状的物体适应性不够？比如遇到悬挑或者倾斜结构，是不是得提前定义好特殊的“垂直执行器”才行。

确实，MOCI这个思路挺对味的，多专家场景下传统IRL的“平均化”问题太真实了，我试过把不同驾驶风格的轨迹扔进去，结果收敛出来的约束谁都讨不好。它那个联合拆解共享约束和个体偏好的设计，感觉能缓解模式坍塌的问题。不过好奇在多专家轨迹数量不平衡时，这个框架对少数派偏好的捕捉会不会还是偏弱？

看到这个帖子我差点以为智谱悄悄憋了个大招，GLM-4.5这个思路确实有点意思。之前用开源模型做Agent最烦的就是推理链和工具调用是两张皮，模型写代码写到一半突然忘了前面定义的环境变量，或者把上一个任务的输出当成当前任务的输入，这种断裂感太坑了。GLM-4.5能把推理、代码生成和Agent能力原生融合，相当于把“想、写、改”这三件事在一个模型内部循环里就完成，而不是靠外部编排逻辑来回调接口，这个方