POST /api/auth/refresh：从Cookie读取Refresh Token，校验并轮转。
内容从原理讲到生产实践，涵盖上下文工程、用户记忆与知识库、MCP 协议、Coding Agent 等，并配有 92 个实验项目和 7 种语言版本。
4% 到 171.7% 节省主要来自更低的输入 Token 开销：程序记忆将原始轨迹压缩为紧凑形式，避免上下文膨胀 关键洞察：LLMA-Mem 的增益不是通过消耗更多 Token 获得的，而是在提升性能的同时降低 Token 消耗 团队规模影响（图1） 二维扩展空间：从时间维度看，所有团队规模下 LLMA-Mem 都随任务索引增加持续改进；从空间维度看，增加团队规模通常也带来性能提升 非单调性（Non-Monotonic）： Qwen3-32B-Instruct 中 3 智能体团队优于 5 智能体团队 Claude-Sonnet-4.
结论先放这儿，后面全是论证：延迟看尾部，成本看缓存，Agent 看工具调用。一、先说清楚：为什么我最后落在蓝耘，而不是继续用官方不绕弯子。我选平台时脑子里过的是这么几件事，按重大性排：它到底支不支持 Claude Code 的原生协议，还是要我自己搭翻译层；同样的活儿，重复上下文能不能命中缓存、省下那笔冤枉钱；延迟稳不稳定，别一卡就是好几秒；出了问题有没有地方查——用量、账单、调用日志。蓝耘 MaaS 这几条我一条条测下来基本都能对上，尤其是第 1 和第 2 条，后面会拿信息说话。这里先给个平台的直观印象：模型广场里 DeepSeek、通义 Qwen、智谱 GLM、Kimi、MiniMax 这些主流的都在，一个 Key 全能调，想换模型改一行配置的事。
Acknowledge理解本质，看懂AI的能力边界与底层逻辑；Apply灵活实操，在真实场景中用AI解决具体问题；Assess理性甄别，判断AI输出的质量、偏差与可靠性；Align恪守准则，建立AI伦理意识与负责任的使用习惯；Ascend高阶驾驭，达到深度的人机协同，实现科技理性与人文精神的双向共生。