AI Agent 最大的痛点是什么？它会「失忆」。本文从短期记忆与长期记忆的区别入手，解释了为什么 LLM 天生无状态，以及 Mem0 作为开源长期记忆框架如何解决跨会话记忆问题。作为 50K+ Star 的项目，Mem0 几乎已成为 AI Agent 记忆的事实标准。本文是 Mem0 源码解析系列的开篇，后续将深入探讨记忆的添加与搜索机制。
为什么 nanobot 能主动给你发消息？本文带你拆解 gateway 命令背后的“自动化双雄”：CronService 与 HeartbeatService，看它们如何让 AI 从“被动响应”转变为“主动服务”。
为什么 nanobot 能同时支持 Telegram、飞书、WhatsApp 等十几种渠道？本文带你拆解其 Gateway 架构，看它如何通过统一的 Channel 接口和消息分发机制，实现跨平台的优雅集成。
这篇文章深入解析了 nanobot 的子智能体（Subagents）系统，揭秘其如何通过 `spawn` 工具和 `SubagentManager` 实现复杂任务的并行处理。文章详细拆解了主智能体召唤“分身”的底层流程、子智能体专注任务的独立运行机制，以及二者如何巧妙地通过 MessageBus（消息总线）注入系统消息实现跨时空协作与结果汇总。同时，还为开发者提供了实用的异步执行调试技巧，展示了 nanobot 以极简架构实现强大并发协作能力的精妙设计。
本文带你拆解其 Skills 系统，看它如何通过简单的 Markdown 文件教 AI 使用新工具，以及“按需加载”机制如何节省宝贵的上下文窗口。
本文深入拆解 Agent 框架 nanobot 的核心记忆系统。不同于传统向量数据库方案，nanobot 采用独特的纯 Markdown 驱动设计，通过 MEMORY.md（事实库）与 HISTORY.md（日志库）构建两层架构，配合 AI 主动更新与异步固化机制，实现了透明、轻量且可控的个人 Agent 长期记忆。文章详细解析了记忆的“自我固化”流程，并对比了 Markdown 方案与主流向量数据库（如 mem0）的优劣，为开发者探索个人 AI 助手的高效记忆构建思路提供了务实的极简主义参考。