AI Agent 有个常见的痛点：聊着聊着就忘了上下文，或者给了海量数据后根本不知道该调用哪个工具。这篇文章直指一个被忽视的问题——上下文窗口大小并非瓶颈，记忆架构才是。作者分享了一套名为“Preflight”的工作记忆架构，就像飞行员起飞前检查飞行计划一样，Agent 在处理请求前会先检索自己的技能库，只把相关的技能加载到上下文中，而不是一股脑地塞进有限的窗口里。这解决了 Agent 在复杂任务中“失忆”和工具调用混乱的顽疾。

核心解法是一个三层架构：Preflight（检索）、Local Execution（执行）和 Watchdog（监控）。查询到来时，Preflight 先检查“技能库”，挑出匹配的技能加载到上下文。然后由本地模型（比如 Ornith 35B）执行，约 80% 的常规任务本地跑，难题才转给前沿大模型。Watchdog 全程记录哪些技能被调用、成功率如何。每天收工后，系统用异步推理分析这些日志，自动决定是否需要将某些技能（比如用 LLM 比对日程）重写成更高效的确定性代码（比如用 Rust）。这个闭环让 Agent 能自我进化，直到某天 watchdog 不再建议任何改进——暗示系统可能到达一个性能平台期。

这个架构的启发在于，它把 Agent 从“一次性的对话机”变成了“持续进化的操作系统”。传统思路总在堆上下文大小或优化提示词，但作者指出真正的瓶颈是记忆的组织、检索与固化。让 LLM 做它擅长的事（推理、判断），把可固化的操作定期转成确定性代码，既省钱又稳定。这种“先检索再执行”的预检思路，以及对技能库的版本管理和自动重写机制，很可能成为下一代 Agent 系统设计的标配。