Agent

以 MoneyPrinterTurbo 为例，按 7 个维度（任务规划、多 Agent 协作、上下文管理、Human-in-the-loop、评估框架、工具路由、Streaming）系统拆解一个陌生项目的架构缺陷，从中筛出 Top 3 贡献方向，并给出方案骨架与给维护者的英文沟通草稿。

一次向 MoneyPrinterTurbo（119k+ star）提交 OpenAI 兼容文生图素材源并被合并的完整复盘：占坑式沟通拿到约束、用数据回应"改动过大"的顾虑、测试证据链决定合并速度，以及维护者在后续 PR 中指出的付费 API 容错设计缺陷。

围绕「向量 RAG vs LLM Wiki + grep / Agent 自主检索」的四派立场梳理（谨慎派、混合派、场景决定论派、演进视角派）、四个辩论冲突点，以及一组可直接落地的决策框架：按更新频率、查询频率、数据规模、领域特性决定上不上 RAG。

把"记住教训"从 agent 的自觉变成基础设施：三层漏斗体系——规则强制捕获（项目级原始档）→ 定期蒸馏（全局技能）→ 协议化进化（活性维护）。

单靠 Prompt 加限制词防不住注入，正确做法是搭建「输入侧 → 模型侧 → 执行侧 → 输出侧」四层纵深防御体系，其中执行侧权限管控是最硬的底线。