<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[烟云的计算]]></title><description><![CDATA[若抽象才是美之定义，追求明确性的我们是否象征着丑陋。]]></description><link>https://blog.csdn.net/Jmilk</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Jmilk]]></copyright><item><title><![CDATA[AWS Strands Agents 技术解析]]></title><link>https://blog.csdn.net/Jmilk/article/details/167223229</link><guid>https://blog.csdn.net/Jmilk/article/details/167223229</guid><author>Jmilk</author><pubDate>Wed, 07 Oct 2026 17:58:29 +0800</pubDate><description><![CDATA[2025 年 5 月 16 日，AWS 正式开源了 Strands Agents，采用 Apache License 2.0 许可。这个项目在开源之前，Amazon Q Developer、AWS Glue 与 VPC Reachability Analyzer 三个产品线已经在生产环境使用它。Strands Agents 是一个 SDK 而不是一个平台。]]></description><category></category></item><item><title><![CDATA[AI Agent 上下文工程的系统架构]]></title><link>https://blog.csdn.net/Jmilk/article/details/167174028</link><guid>https://blog.csdn.net/Jmilk/article/details/167174028</guid><author>Jmilk</author><pubDate>Tue, 06 Oct 2026 23:37:19 +0800</pubDate><description><![CDATA[让模型把较早的一段对话或一份长文档总结为更短的表述。通过不断总结，可以使对话记录的规模保持在较小的量级，既减少了词元数量，又只跟踪最重要的信息。其代价是每次摘要都是一次额外的模型调用，]]></description><category></category></item><item><title><![CDATA[AWS Agent Infra 架构分析]]></title><link>https://blog.csdn.net/Jmilk/article/details/166849980</link><guid>https://blog.csdn.net/Jmilk/article/details/166849980</guid><author>Jmilk</author><pubDate>Wed, 30 Sep 2026 00:25:14 +0800</pubDate><description><![CDATA[AWS Agent Infra 可归纳为三层：其中平台层的 Amazon Bedrock AgentCore 是 AWS Agent Infra 的核心产品，于 2025-10-13 正式 GA 的模块化智能体平台，主打 “用任意框架、任意模型、任意协议” 构建、部署、运维生产级 Agent，且无需管理底层基础设施（公有云托管）。
当前完整的官方清单：
模块
定位（官方描述提炼）
关键集成
Harness
托管的 Agent 循环，单 API 调用即可定义并调用 Agent；内联指定模型、系统提示、工具，自]]></description><category></category></item><item><title><![CDATA[推理引擎 vLLM 的软件架构解析]]></title><link>https://blog.csdn.net/Jmilk/article/details/166792067</link><guid>https://blog.csdn.net/Jmilk/article/details/166792067</guid><author>Jmilk</author><pubDate>Tue, 29 Sep 2026 00:59:15 +0800</pubDate><description><![CDATA[注：之所以需要 CPU 主存，是因为当 GPU 显存不足时，就会把后来的请求先抢占掉，把其相关的 KV Cache 先 Swap（置换）到 CPU 主存上，等后续 GPU 显存充足了，再把它们加载回来。Scheduler 的主要作用是在 1 个推理阶段中，决定要把哪些数据送给模型做推理，同时负责分配好 KV Cache 的物理块 id，并做好逻辑块和物理块的映射。显然的，传统方式这会造成浪费，这些浪费严重限制了同时处理的请求数量（Batch Size），从而拉低了 GPU 的整体吞吐量。]]></description><category></category></item><item><title><![CDATA[Transformer 大模型架构深度解析（7）KV Cache 与 PD 分离]]></title><link>https://blog.csdn.net/Jmilk/article/details/166735582</link><guid>https://blog.csdn.net/Jmilk/article/details/166735582</guid><author>Jmilk</author><pubDate>Sun, 27 Sep 2026 15:54:39 +0800</pubDate><description><![CDATA[所以变长数据的 KV cache 存储是一个比较大的难题。存在 KV Cache（KV 矩阵缓存）的原因是：Decode 阶段自回归生成时，历史 token 的 Key/Value 实际上是可以复用的，因此还可以省掉大量重复的计算。例如：批策略，量化类型，TP 大小，PP 大小，任务超时时间，重试时间，显存申请策略，RDMA 软硬件队列大小，是否可回退执行等。下一轮，只需要计算 “乐” 的 KV 矩阵值，前面轮次的 “新年快” KV 矩阵直接重 KV Cache 获得，然后和新的 KV “拼接” 到一起。]]></description><category></category></item><item><title><![CDATA[通用 Agent Harness 架构设计：从 LLM 的四个缺陷到三十六个功能补全]]></title><link>https://blog.csdn.net/Jmilk/article/details/164501581</link><guid>https://blog.csdn.net/Jmilk/article/details/164501581</guid><author>Jmilk</author><pubDate>Tue, 08 Sep 2026 01:59:33 +0800</pubDate><description><![CDATA[域与域之间的数据路径的顺序是：接入域收下请求，行动域开启新的一轮并冻结本轮中的不变量，上下文域装配输入，行动域调用模型并拿到行动意图，动作动作管控域在动作之前进行权限等和约束等判定，行动域执行实际动作，验证域在动作之后判定效果，最后回到行动域推进下一步或者收尾。（注意，行动域被动作管控域切成了两段。生产运维 Agent 则像是在做手术，每一刀都作用在真实的病人身上且无法撤销，因此真正的功夫全在动手之前，反复确认、分级授权、关键步骤必须有人复核，关口设在每一个动作的起点，事后还要留下完整的手术记录以备追溯。]]></description><category></category></item><item><title><![CDATA[DeepScholar，科研党必备的学术辅助神器]]></title><link>https://blog.csdn.net/Jmilk/article/details/164375583</link><guid>https://blog.csdn.net/Jmilk/article/details/164375583</guid><author>Jmilk</author><pubDate>Fri, 04 Sep 2026 20:44:22 +0800</pubDate><description><![CDATA[期刊分区与影响因子（IF）搜索结果即时直显过去，文献质量评估需要经过“复制杂志名 → 打开评价系统 → 查询分区 → 回溯网页”的漫长链路。DeepScholar 支持在主流学术搜索引擎和数据库 检索列表中，直接在文献条目旁边置顶高亮展示期刊等级与实时影响因子。覆盖超 100+ 专业数据集与 50+ 主流评价体系：全面兼容中科院分区（升级版）、JCR 分区、北大核心、CSSCI、CSCD、EI、SCI、SSCI、ESI，以及商科权威的 FT50、UTD24、ABS 评级。]]></description><category></category></item><item><title><![CDATA[AWS Kiro Agent 架构解析]]></title><link>https://blog.csdn.net/Jmilk/article/details/164368214</link><guid>https://blog.csdn.net/Jmilk/article/details/164368214</guid><author>Jmilk</author><pubDate>Fri, 04 Sep 2026 14:30:53 +0800</pubDate><description><![CDATA[官方文档特别提到 harness 是一个独立进程，而不是被编译进每个应用（IDE、CLI、Web）的库。]]></description><category></category></item><item><title><![CDATA[Claude Agent SDK 架构解析]]></title><link>https://blog.csdn.net/Jmilk/article/details/164340436</link><guid>https://blog.csdn.net/Jmilk/article/details/164340436</guid><author>Jmilk</author><pubDate>Thu, 03 Sep 2026 21:46:18 +0800</pubDate><description><![CDATA[Claude Code 的内核是一个自带运行时的原生可执行文件，Claude Agent SDK 的作用就是驱动这个内核。解读 Claude Agent SDK 可以了解有哪些能力可被外部配置、以及自定义 Agent 能从哪几个位置介入。其一是从 SDK 的类型与实现反推出 Claude Code 对外开放的能力清单；其二是给出封装自定义 Agent 的可操作路径，即：四种扩展点各自的侵入程度、代价与适用场景。第四处侵入最深，即用 agents 字段声明若干具名 Agent，每个由十三个字段描述。]]></description><category></category></item><item><title><![CDATA[DeepSeek Harness 架构解析]]></title><link>https://blog.csdn.net/Jmilk/article/details/164339665</link><guid>https://blog.csdn.net/Jmilk/article/details/164339665</guid><author>Jmilk</author><pubDate>Thu, 03 Sep 2026 20:28:19 +0800</pubDate><description><![CDATA[一个步骤是一次模型请求加上它调用的工具；一个轮次包含零个或多个步骤，它在领取首条输入之前打开，并在不再欠下任何工作时关闭。值得注意的是 “零个步骤” 这一情形被明确允许。后文会看到，这不是边界条件，而是一条被设计出来的路径。完整的轮次流程如下所示。]]></description><category></category></item><item><title><![CDATA[OpenAI CodeX 软件架构解析]]></title><link>https://blog.csdn.net/Jmilk/article/details/164333719</link><guid>https://blog.csdn.net/Jmilk/article/details/164333719</guid><author>Jmilk</author><pubDate>Thu, 03 Sep 2026 15:17:37 +0800</pubDate><description><![CDATA[Codex 将沙箱与审批视为两个协同但相互独立的控制。沙箱由操作系统原生机制强制，分三档；审批策略决定何时必须中止并征询用户，有四种取值4。沙箱档位（含义read-only只读可写工作区，官方称之为低摩擦默认档无限制，仅在环境本身已经隔离时使用审批策略（含义untrusted最严，几乎每一步都需征询on-request默认，仅越界时征询on-failure仅在失败之后征询never从不征询二者组合构成一些常用的权限选项，例如：就是 “可写工作区+按需审批”。]]></description><category></category></item><item><title><![CDATA[企业垂类智能体的 Harness 工程：从第一性原理到架构设计]]></title><link>https://blog.csdn.net/Jmilk/article/details/163748849</link><guid>https://blog.csdn.net/Jmilk/article/details/163748849</guid><author>Jmilk</author><pubDate>Tue, 25 Aug 2026 12:02:48 +0800</pubDate><description><![CDATA[本文从一个对比开篇：同样的模型，编码智能体能连续自交付，运维智能体却处处受限。一路走下来，答案已经清楚：差距不在模型，而在模型之外那一圈 Harness。如果把全文浓缩成一张图，就是那三个同心环。最内的一环是工具循环，它让智能体能动起来，却几乎没有壁垒；真正决定成败的，是外面两环：二环用"事前约束、循环执行、事后验证"的控制闭环，让它做得对、兜得住；三环用"沉淀"，让每一次使用都回流成组织越来越厚的能力。]]></description><category></category></item><item><title><![CDATA[Transformer 大模型架构深度解析（6）Attention 和 FFN 模型结构的核心优化方向概览]]></title><link>https://blog.csdn.net/Jmilk/article/details/163308011</link><guid>https://blog.csdn.net/Jmilk/article/details/163308011</guid><author>Jmilk</author><pubDate>Wed, 29 Jul 2026 16:21:50 +0800</pubDate><description><![CDATA[也就是说，围绕该矩阵的计算量和显存占用量（Scaled、Masked、Softmax、乘 V 加权融合计算等等），会随 n 呈平方级增长，例如：如果 seq_len 变成原来的 2 倍，显存占用量就是原来的 4 倍，计算时间也是原来的 4 倍。但实际上，Child 等人（2019）的研究发现，在训练好的 Transformer 模型中，注意力矩阵往往是稀疏的，这意味着并不是每个 token 都需要关注其他所有 token，每个 token 只关注非常有限个其他 token。利用分页技术减少显存碎片化问题。]]></description><category></category></item><item><title><![CDATA[Karpathy LLM-wiki 技术原理与个人知识库构建实践]]></title><link>https://blog.csdn.net/Jmilk/article/details/160341294</link><guid>https://blog.csdn.net/Jmilk/article/details/160341294</guid><author>Jmilk</author><pubDate>Mon, 20 Apr 2026 17:32:33 +0800</pubDate><description><![CDATA[而是它会读这个资料，提取关键信息，然后把信息整合进已有的 Wiki 里，包括：更新相关实体的页面、修正主题摘要、标注新数据和旧结论的矛盾之处。Karpathy LLM-wiki 方案的核心思想是：不要把 LLM 当搜索引擎用，让它像程序员维护代码库一样帮你持续维护一个 Markdown Wiki —— 一个结构化的、互相链接的 Markdown 文件集合。现在主流的知识库（如 ChatGPT 文件上传、NotebookLM）都是基于 RAG 技术的：上传文档，提问，AI 检索相关片段，生成回答。]]></description><category></category></item><item><title><![CDATA[Skills 开发实践]]></title><link>https://blog.csdn.net/Jmilk/article/details/160253695</link><guid>https://blog.csdn.net/Jmilk/article/details/160253695</guid><author>Jmilk</author><pubDate>Fri, 17 Apr 2026 15:38:40 +0800</pubDate><description><![CDATA[这种自定义 Skills 的过程，符合 Spec Coding “先思考后行动” 的思想，即：先详细定义可以执行的需求规范（Specification），然后再推动 AI 进行开发。它的流程包含 “需求分析、技术设计、任务拆解” 的文档编写过程，最后让 AI 根据规范来完成编码。这种一步步的工作流程能保证每一步都有依据，实现从需求到代码的准确转化。只要你安装了 skill-creator skill 之后，就可以和 Claude Code 聊天让它引导你创建一个自定义的 Skill 了。]]></description><category></category></item><item><title><![CDATA[精选 Skills 清单]]></title><link>https://blog.csdn.net/Jmilk/article/details/160251639</link><guid>https://blog.csdn.net/Jmilk/article/details/160251639</guid><author>Jmilk</author><pubDate>Fri, 17 Apr 2026 15:33:56 +0800</pubDate><description><![CDATA[和内置 summarize 的区别：内置的 summarize 是基于 CLI 工具（summarize 命令），Summarize Pro 是一套更丰富的摘要指令模板 + 历史记录管理。统计：显示原文 vs 摘要字数对比。历史记录：show summary history 回顾之前的摘要。自定义模板：create template 创建你自己的摘要格式。成就系统：统计你处理了多少字。适合场景：经常需要消化长文章、会议记录、技术文档，且想要 不同格式输出的。]]></description><category></category></item><item><title><![CDATA[Harness Engineering 在软件工程层面的理论与实践]]></title><link>https://blog.csdn.net/Jmilk/article/details/159659643</link><guid>https://blog.csdn.net/Jmilk/article/details/159659643</guid><author>Jmilk</author><pubDate>Tue, 31 Mar 2026 02:29:27 +0800</pubDate><description><![CDATA[所以后来，他们把 AGENTS.md 精简到了只有 100 行，将 AGENTS.md 定义为 “导航目录” 而非 “内容本身”，它指向了一个结构清晰的 docs/ 目录，里面有各类文档，包括：架构图、设计文档、质量标准、安全规范等等。把 AI Agent 放进一个循环里，给它一个目标，让它反复执行（编码、审查、测试、修复），直到这个 “准出” 为止。于是，他们设立了一个让 AI 循环清理的流程，把清理原则告诉 AI，然后定期扫描文档和代码，发现过时的描述或不一致的地方，就会自动发起 PR 来修复。]]></description><category></category></item><item><title><![CDATA[精选 OpenClaw 应用场景]]></title><link>https://blog.csdn.net/Jmilk/article/details/159469181</link><guid>https://blog.csdn.net/Jmilk/article/details/159469181</guid><author>Jmilk</author><pubDate>Wed, 25 Mar 2026 16:59:47 +0800</pubDate><description><![CDATA[一份文档，明确规定 AI 可以自主做哪些事，哪些事必须先问你。✅ 可直接执行：- 心跳检查、文件整理、日志归档、记忆维护❌ 需要你批准：- 发送外部邮件、执行金融操作、部署代码、删除数据核心价值： 清晰的边界让你信任 AI 自主运作，也让 AI 知道自己的「管辖范围」在哪里。每周根据 AI 的可靠性表现，可以扩展它的自主权。]]></description><category></category></item><item><title><![CDATA[OpenClaw 在企业办公场景中的 9 个岗位的应用场景]]></title><link>https://blog.csdn.net/Jmilk/article/details/159468370</link><guid>https://blog.csdn.net/Jmilk/article/details/159468370</guid><author>Jmilk</author><pubDate>Wed, 25 Mar 2026 15:07:09 +0800</pubDate><description><![CDATA[HR 是一个双重属性的岗位：一边要承接大量重复性执行工作，一边还要基于数据对比、深度分析，做出贴合组织需求的人才决策。：财务系统有账务数据，但银行流水与企业账目的核对往往是财务人员手动完成。：报销系统处理报销流程，但财务人员收到一堆发票图片需要整理时，系统可能不支持批量 OCR。：企业系统存储的是内部薪酬数据，外部市场薪酬数据需要 HR 自己搜索整理。：企业系统不会监控外部公司的人员变动，这是 HR 的主动情报工作。：财务系统有成本数据，但定制化的成本分析报告需要财务人员手动制作。]]></description><category></category></item><item><title><![CDATA[openclaw.json 配置文件全面解析]]></title><link>https://blog.csdn.net/Jmilk/article/details/159464031</link><guid>https://blog.csdn.net/Jmilk/article/details/159464031</guid><author>Jmilk</author><pubDate>Wed, 25 Mar 2026 13:22:01 +0800</pubDate><description><![CDATA[【代码】openclaw.json 配置文件解析。]]></description><category></category></item></channel></rss>