上一篇《Agent Orchestration - 智能体编排》写的是 Eino 怎么实现多智能体，讲的是用法。
Eino 是 CloudWeGo 出的 Go 语言 LLM 应用编排框架。
它把 ChatModel、Tool、Retriever 这些组件连成图，编译成一个 Runnable 来跑。
README 里写明参考了 LangChain 和 Google ADK，所以熟悉那两个框架的人会觉得眼熟。
通过分析运行时，来了解 Eino 内部调度、状态管理、中间件、可观测等方面。
一篇关于 AI API 中转站的调研，约 1.2 万字。
从一条 6TB 数据泄露的推文说起，往下分三块：
- 这门生意怎么赚钱（第 2 节）
- 系统怎么运转（第 3 节）
- 要做成一个安全可靠的版本还缺什么（第 4、5 节）。
只想看结论，跳到 5.7 的架构图。
整篇下来最难的不是转发，是计费：上游余额根本查不准，只能估算加对账。
2026 年 9 月，安全研究员寿超璠在 X 上发了条推文。他花五位数美元，从国内一家头部大模型中转站买到了一批约 6TB 的调用数据。
数据没脱敏。里面有 SSH 密钥、VPN 配置、阿里云密钥、GitLab token。按他本人的说法，仅凭这批凭证就能接管 19 家中国企业（含小米、华为、蔚来）和 7 个中国及独联体政府机构。这家平台不只囤日志，还把它当微调语料在黑灰市场出售。
「TikTok 开放平台」在日常语境里被混着用，实际至少是五套平行体系，面向完全不同的人。
| # | 体系 | 面向谁 | 一句话 |
|---|---|---|---|
| ① | 开发者能力开放（TikTok for Developers） | 所有注册开发者 | 开放 API/SDK，把 TT 能力嵌进自己产品 |
| ② | 小程序 / 小游戏 / 短剧（TikTok Minis） | 内容方、游戏方、发行商 | 把 TT 当渠道，内容和交易都在 TT 内闭环 |
| ③ | 广告投放（Marketing API / 代理商） | 广告主、代理商 | 买 TT 的流量 |
| ④ | 电商服务商（TSP / TAP / MCN / CAP） | 代运营、撮合、经纪机构 | 帮商家在 TikTok Shop 卖货 |
| ⑤ | 达人营销（TikTok One） | 品牌方、达人、MCN | 品牌付钱找达人做内容 |
这五套的开放程度是反着来的：
在大模型时代，模型响应时间以及响应内容确定性未知的情况下，怎么做好稳定性？
过去做过的经验能不能复用呢？比如高并发系统(TPS 25w、QPS 100w、TP999 < 80ms)。
我理解是可以复用的，因为本质上都是软件工程的问题，但有几处会变，放在第 3 节展开。
把事前、事中、事后这几步给做好，做扎实，怀着敬畏之心，肯定是 OK 的。
全链路走六段：设计阶段留预案，开发阶段立规则，发布阶段卡流程，运行阶段看得见、扛得住，故障时先恢复再定位，复盘时把错误变成资产。
这些流程不是凭空定的，都是血泪教训总结出来的——不要因为省事而越过流程。
把背景、约束理清楚。遇到高速增长的系统，我们要先考虑优化系统，再考虑增加硬件资源。平衡成本与收益。
FDE(Forward Deployed Engineer)：前置部署工程师
FDE 不是一个新词，20 多年前就有，而且现在人家利润率不低。
本质上就是为效果付费，解决企业实际的问题。
由上到下进行推动，全面配合。
本质上来讲，这些都是软件工程里面老生常谈的问题，只是这两年 AI 能力强了之后，能解决一些脏活累活。
多智能体不是把单个 Agent 做得更好，是用 token 换容量。
Anthropic 自建研究 Agent 时做过一组对比：以 Claude Opus 4 为主 Agent、Claude Sonnet 4 为子 Agent 的多 Agent 系统，在内部 research eval 上比单 Agent 的 Opus 4 高 90.2%。他们给的归因不是「多个 Agent 更聪明」。在 BrowseComp 评测上，token 用量单独解释了 80% 的性能方差，加上工具调用次数和模型选择，三个因素合计解释 95%。多 Agent 架构的作用在于把 token 用量扩展到单个 Agent 够不到的规模。
代价写在同一篇里：Agent 比普通对话多用约 4 倍 token，多 Agent 系统约 15 倍。原文的措辞是，多 Agent 只适用于任务本身价值足够高、付得起这个溢价的场景。
OpenViking 是一个开源的、专为 AI Agent 设计的上下文数据库。
OpenViking 通过文件系统范式统一管理 Agent 所需要的上下文（记忆、资源和技能），
并实现上下文的分层供给与自我迭代，最终目标是降低 Agent 开发门槛，
让开发者更专注于业务创新而非底层上下文管理。
与其它记忆不同的是，他既有最开始的原文，也有高层级的语义理解。
数据召回的时候，数量以及准确性，都会有较大的效果和性能提升。
说明：