nanobot Session、SessionManager 与 Workspace 机制本文结合 nanobot.md 的执行流程梳理，说明 nanobot 中 Session、SessionManager 与 Workspace 的设计关系，以及一条会话从创建、使用、持久化、压缩到删除的生命周期。 1. 总体关系nanobot 的会话系统可以按下面的层次理解： 1234567Workspace

测试

title: ai vibecoding workflow 实践tag: 大模型应用date: 2026-05-18 18:42:00 ai vibecoding 开发模式 根据需求 先开发前端 ，mock接口 给出api端点 然后喂给后端生成必须要严格检查数据库 字段是否完全准确，必须要检查后端暴露接口以及response字段是否完全一致 优点：能最快看到效果 缺点：前后端联调要对齐

nanobot 安全机制与 Shell 沙箱学习笔记本文整理 nanobot 当前代码中的安全机制，重点说明：聊天权限如何控制、restrictToWorkspace 如何限制文件访问、Shell 命令执行前经过哪些检查、bwrap 沙箱如何包装并启动命令，以及这些机制能够保护什么、不能保护什么。 一、总体设计nanobot 的安全机制不是一个单独的开关，而是由多层边界共同组成： 1234567

nanobot 记忆系统学习笔记本文整理前面对 nanobot 记忆系统的讨论，重点说明：哪些文件保存记忆、各自用途是什么、什么时候写入、如何恢复中断中的会话，以及 runtime_checkpoint、last_consolidated、history.jsonl 之间的关系。 一、总体设计nanobot 的记忆系统不是单一文件，而是分成三层： 1234567891011121314151617

本文以nanobot项目代码为准，重点梳理一条用户消息从 Channel 进入系统，到 Agent 调用 LLM、执行工具、保存 Session，再返回响应的完整流程。 一、核心概念1. Turn一个 Turn 表示系统处理一条入站消息的完整过程： 123456接收 InboundMessage → 恢复 Session → 构建上下文 → 运行 Agent → 保存结果 →

DDD GO项目结构123456789101112131415161718internal/├── order/│ ├── domain/│ ├── application/│ ├── infrastructure/│ └── interfaces/│├── payment/│ ├── domain/│ ├── application/│ ├── infrastruc

LLM 应用现状大语言模型已经为我们提供了很好的自然语言对话功能，但使用deepseek或者chatgpt等等大模型我们或多或少都有这种感觉，好像他只能在言语上为我们解决一些问题，不能在实际生活帮我做一些事。比如今天我想要通过一句话让ai订一张上海到北京的机票（或者自动完成航班选择发送到手机上等我支付）。然而单纯的大模型仅仅是一个空有一身知识的决策高手，在语言能力上很强，可是缺乏动手能力啊。但是，

提示词工程强调的是单次用户输入的结构化prompt，包含用户角色、职责等定义，让大语言模型能够更好理解我们的意图做出回答 而随着agent系统的发展,我们需要利用llm完成更多的系统决策、推理、工具调用。这需要大量与环境交互的信息，这些信息会被一起给到大语言模型进行理解，然后大语言模型的上下文窗口是有限的，所以如何管理这些上下文信息是比较重要，能够让agent系统能够准确完成我们的指令任务，输出正

💬 消息系统详解 —— LangChain 的对话语言 所在目录：message/message_use.ipynb核心依赖：langchain_core.messages 前言如果说大模型是引擎，那么消息（Message）就是燃料。LangChain 用一套精心设计的消息类型系统来描述”对话”这件事——谁说了什么、什么角色说的、工具返回了什么……每一条信息都有明确的类型。 理解消息系统，是