腾讯云开发者-CSDN博客

原创一文搞懂爆火的SKills原理及实践案例

当我们回答完了三个问题，其实就完成需求的设计环节，下一步就是让AI分任务实现，而实现的过程，恰恰和我们的设计是一一对应的，即先完成实体的新增，然后再去完成流程函数（细节全部mock，这个时候直接就可以测试了），最后在补充规则细节！除了自己的去总结，其实也可以利用AI工具，当你用AI解决完一个新问题的时候，别急着关闭对话框，的增多，当你给AI装上了一大堆的SKills，一个工程化的问题随之而来，我们知道AI在工作的时候，并不是一个无限的资源空间，而是运行在一个特定大小的桌子上。因此，面对一个新需求，

2026-03-13 08:46:23 497

原创全网最细！OpenClaw本地部署教程和常见问题汇总

总的来说对于小白来说相对比较困难，不要太相信网上说十分钟部署好，中间不知道省略多少认证和准备，所以我把自己遇到的问题以及在网上检索到大多数人常遇到的做了一个汇总整理，当你信心满满找到一个教程遇到卡点，不妨搭配本文来食用，相信你可以2、3个小时就可以拥有一个真正的私人助理。这是导致很多用户困惑的根源，很多博主也在视频开头提过，但是大都是补录的，一些早期文档教程中可能还是旧的名称，注意复制一些命令时，最好手动替换成最新的名字——作为非程序的出身，加上国内环境问题，实现本地部署一个满血版的。

2026-03-11 08:45:40 412

原创 RAG优化字典：20种RAG优化方法全解析

把 RAG 流程看成强化学习：状态（当前 query、已选上下文、历史回复与奖励）、动作（重写 query、扩展/过滤上下文、生成回复）、奖励（如生成回复与标准答案的语义相似度）。HyDE 的做法是：先用 LLM 根据问题生成一段“假设的”答案文档（风格、长度接近真实文档），再用这段假设文档的嵌入（而非原始 query 的嵌入）去检索真实文档，从而拉近 query 与 document 的表示距离。用户查询时，既匹配块内容，也匹配这些预生成问题，从而拉近“问句”与“陈述句”的语义距离。

2026-03-05 08:45:30 323

原创深入解析OpenClaw上下文窗口压缩方案：一切都是为了效果与省钱

最近很火的 OpenClaw 的出镜率是越来越高了，内外网的技术文章，新产品的问世，Mac Mini 的涨价，自媒体的宣传层出不穷。我一直也在做上下文相关的事情，现在我们就拨开虾外壳，看看它内部详细是如何调味的（进行上下文窗口管理的）。但由于 pruning 只在 cache 已过期时执行，这次 miss 的额外成本仅是"cache write"（比普通 input 贵 25%），而不是"本可以 cache read 却 miss 了"（cache read 便宜 90%）。摘要失败时取消而不是丢弃历史。

2026-03-04 08:45:53 770

原创 200行代码实现Claude Code青春版

Y开发同学听说Coding Agent辅助项目代码开发很方便，于是挂上整个代码仓库就开始了AI Coding，但是业务代码往往有很多的代码依赖，AI上下文没那么大，并不是真的把你的代码仓库都读进去了，那在缺失代码依赖信息的情况下你是不能指望AI写出满意的代码的。但当用于完整项目中时就一言难尽了，早期我用cursor最常遇到的是AI"小题大作"，直接往项目里各种新增脚本，新增大量的代码，有被无语到，以至于使用频率降低到最后退订（当然这里还存在我自己的问题，对于让AI Coding的需求不够具体）

2026-03-03 08:46:06 251

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 370

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 602

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

Claude 通常开箱即用生成格式良好的代码，Hook 处理最后 10% 的格式化，避免后续 CI 中的格式化错误。Claude Code 创作者的 Claude Code 使用经验：13 个核心实践，本文多处引用了这些来自一线的经验为我们的理论提供了有力佐证（。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 625

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 289

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

Claude 通常开箱即用生成格式良好的代码，Hook 处理最后 10% 的格式化，避免后续 CI 中的格式化错误。Claude Code 创作者的 Claude Code 使用经验：13 个核心实践，本文多处引用了这些来自一线的经验为我们的理论提供了有力佐证（。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 290

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 592

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 261

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 272

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

Claude 通常开箱即用生成格式良好的代码，Hook 处理最后 10% 的格式化，避免后续 CI 中的格式化错误。Claude Code 创作者的 Claude Code 使用经验：13 个核心实践，本文多处引用了这些来自一线的经验为我们的理论提供了有力佐证（。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 530

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

Claude 通常开箱即用生成格式良好的代码，Hook 处理最后 10% 的格式化，避免后续 CI 中的格式化错误。Claude Code 创作者的 Claude Code 使用经验：13 个核心实践，本文多处引用了这些来自一线的经验为我们的理论提供了有力佐证（。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 242

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 496

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 238

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

Claude 通常开箱即用生成格式良好的代码，Hook 处理最后 10% 的格式化，避免后续 CI 中的格式化错误。Claude Code 创作者的 Claude Code 使用经验：13 个核心实践，本文多处引用了这些来自一线的经验为我们的理论提供了有力佐证（。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 313

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

Claude 通常开箱即用生成格式良好的代码，Hook 处理最后 10% 的格式化，避免后续 CI 中的格式化错误。Claude Code 创作者的 Claude Code 使用经验：13 个核心实践，本文多处引用了这些来自一线的经验为我们的理论提供了有力佐证（。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 307

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 485

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 436

原创 AI 工程化落地实践：推翻“完美架构“，回归提示词本质

我们读了大量论文和博客，看到业界在讨论"多智能体协作"、"Agent 编排"、"知识图谱"……把 AI 当成团队的新成员来培养——给它入职手册（AGENTS.md），教它项目知识（context/），让它记住经验（process.txt），最终成为团队的共享能力。我们需要做的不是设计复杂的 Agent 编排，而是把"业务需求"、"技术规范"、"项目约定"、"历史经验"组织成 LLM 能理解的格式。我们做的越多，它就变得越不可靠。与其创造很多小的、精确的工具，不如创造大的、表达力强的工具，然后信任模型。

2026-02-27 08:46:12 131

原创如何从零开始实现一个 AI Agent 框架（理论+实践）

Context Engineering：狭义的上下文工程特指提示词Prompt的工程实现（如Rules、Claude.md以及AGENTS.md等），而广义上的上下文工程其实也包含LLM使用外部工具这部分（比如Skills，它是工具与提示词结合的典范）。毫无疑问，当前极简版的AI Agent框架在程序健壮性、安全性、功能性（如流式输出）以及优雅性（如Tools注册）都有很大改进空间，但是不容否认的是它五脏俱全，简单清晰，可以帮助我们摒除那些复杂冗长的组件库，看清Agent的本质。

2026-02-26 08:46:23 395

原创 2026 AI趋势预测，全球科技巨头与顶尖机构研判

物理 AI 其是生成式 AI 后的核心发展方向，生成式 AI 已成过去，未来属于 “Agent AI + 物理 AI”；“AI + 科学（AI for Science）” 成为科研范式变革核心，AI 大模型与科学计算结合，可自主提出假设、设计并验证实验，在生命科学、材料科学、天体物理等领域加速 “从 0 到 1” 突破。微软、NVIDIA、央视、斯坦福 HAI 等突出AI在垂类场景的落地，的尤其是应用于医疗、制造、交通、科研、终端硬件、法律等行业。AI 手机、AI 硬件成为行业增长关键；

2026-02-25 09:10:59 463

原创马上领！6666个春节红包封面

祝你马年好运开挂，项目一路绿灯、需求不改回滚不炸；年终奖 ++、涨薪 ++、Offer ++；钱包鼓鼓、心情爽爽！同时，欢迎大家关注腾讯云开发者视频号，新的一年除了获取更多技术资讯、直播以外，还能多一个获取鹅厂周边礼品的渠道～别忘了关注腾讯云开发者公众号，常来文章下坐坐～关注腾讯云开发者，一手技术干货提前解锁👇。腾讯云开发者社区在此提前祝大家新春快乐！1111 个红包封面直接领！回复关键词领取3款红包封面。9 点、11 点、13 点。扫描下方二维码即可获得。分享抽取隐藏款红包封面。到朋友圈或者社群并截图。

2026-02-11 09:00:43 388

原创 “痛点”到“通点”！一份让 AI 真正落地产生真金白银的实战指南

作为公司流程治理、方法论、数字化与绩效管理的中枢，BPMN 流程改造 COE 需承担流程治理与标准制定、方法论与 To-Be 设计、绩效 KPI 管理、数字化自动化协同、人才培育与变革管理等核心职责，角色配置应涵盖 COE 流程长、流程架构师、流程分析师、数字化流程顾问及 BU Process Owner，推动流程改造从项目化走向制度化、数据化。最终，我们期望透过这样的流程改善，可以提升子阶段的处理效率，例如 C_01 时找阶段耗时减少 Y%，或是整体流程的提升，例如 C_04 阶段作业时间减少 Z%。

2026-02-07 18:46:22 445

原创港科大熊辉｜AI时代的职场新坐标——为什么你应该去“数据稀疏“的地方?

在探讨 AI 如何赋能产业时，必须区分不同的视角。聪明人做事，第一次投入 120% 精力无妨，第二次压缩至 80%，第三次降至 50%，在这个过程中总结创新，提升效率与质量，才是真正的成长，也是人机协同时代的核心竞争力。面对 AI 对传统教育的冲击，他认为未来的架构师应通过提问与鉴赏力，向数据稀疏的“无人区”进发，实现从人才到人物的跨越。马斯克推崇的物理学第一性原理，与《易经》“不易、变易、简易” 的内核相通，皆是对本源的探求，都在启示我们：在剧变的时代，唯有穿透表象，才能捕捉到真正决定未来的底层逻辑。

2026-02-07 17:27:53 592

原创智效跃迁，架构无界，第三届腾讯云架构师峰会圆满落幕！

2025 年 12 月 27 日，由腾讯云架构师技术同盟与腾讯云 TVP 联合主办的第三届腾讯云架构师峰会在北京富力万丽酒店成功举行。本次峰会以“智效跃迁架构无界”为主题，汇聚了众多技术领袖与架构师，共同探讨 AI 浪潮下架构师群体的价值重塑与技术变革。现场思想碰撞激烈，实践分享深入，勾勒出一幅技术人在智能浪潮中进化与赋能的新蓝图。主论坛在腾讯云架构师技术同盟主席毛剑和腾讯云架构师技术同盟活动组织主席王晓波的开场主持中拉开序幕。两位主席与现场架构师同仁们共同回顾了同盟自 2024 年 12 月 28

2026-02-07 17:23:31 602

原创用Go重构C++老系统，一次降本82%的极致之旅

这就好比你去银行存钱，柜员（服务器线程）必须当着你的面（同步），跑去金库（CMEM），确认金额，存进去，然后再跑回来告诉你“好了”。如果是平时还好，但到了腾讯旗下国民级体量的游戏搞活动时，成千上万个玩家同时挤在柜台前，甚至同一个玩家的多个行为并发上报（比如同时触发“登录”和“等级提升”），面临的压力就非常大。问题：在 Get 和 Commit 之间的时间窗口（Time Window），其他线程随时可能修改数据，导致 QuickCommit 频繁返回失败，日志中充斥着大量的重试错误。

2026-02-04 08:46:02 665

原创言出法随 -- Chaterm如何通过ASR精准操作K8S

而在服务层面上，AudioStreamService 负责处理PCM格式的音频流采集工作，SpeechService 则封装了基于WebSocket协议的数据传输逻辑，同时，VoiceCommandCorrection 模块封装了精心设计的Prompt，实现了对大型语言模型(LLM)进行调用来完成语音命令的纠正功能。作为程序员，幸幸苦苦忙碌一年，春节回家也未必轻松，赶火车回家团圆，参加爸妈安排的相亲，同学的婚礼随份子，被七大姑问候工资，然而最恐怖的却是突如其来的 --如有问题或建议，欢迎交流讨论。

2026-02-04 08:46:02 890

原创解构Clawdbot：本地架构、记忆管理、Agent 编排与上下文组装原理

省略了skills、memory recall、self update、model-alias、用户身份、回复标签、消息传递、静默回复及心跳。保留工具集、工作区、沙箱、当前日期时间、运行时及注入的上下文。相比冷冰冰的 ChatGPT，它有记忆、有人设 (SOUL.md)，对用户的理解（USER.md），真的像个“这就去办”的私人管家。在每次执行任务的时候，能够知道是为谁服务的，为什么样的人服务的。的 AI Agent 运行时环境，旨在将大模型（LLM）的能力与用户的本地系统、工具链和通讯软件深度结合。

2026-02-03 08:45:47 608

原创 Clawdbot一夜爆红，教你一键秒级部署7×24h核动力“牛马”！

不过随着更多人了解到这个项目，也出现了另一种声音：超高权限下，ClawdBot更适合运行在一个和主力电脑相隔离的环境下，或许是你的一个旧电脑（MacOS，目前支持的程度最好），又或许是一台云服务器（操作系统为Linux，同样支持，并且环境也与本地强隔离）。轻量应用服务器Lighthouse是腾讯云推出的一款面向轻量级应用场景的云服务器产品，无需开发者理解复杂的云计算技术概念，提供了高性价比的服务器套餐，同时还支持开发者基于预置的操作系统及运行组件，快速部署开源应用。”或“更多”按钮，找到并点击重装系统。

2026-01-27 18:19:08 2219

原创万字详解大模型推理加速核心原理：分形规律与资源计算公式

通信优化能缓解通信资源的不均衡问题，但不能解决各节点专家负载不均衡的问题，毕竟Token想发给谁，是模型里的Router算出来的，采样分析各Layer各专家激活次数统计分布如下图，表现为：部分Layer存在明显热点专家，热点专家激活的次数可能是非热点专家的5倍以上，导致EP并行存在某个rank上计算耗时较长，其他rank需等待的局面。但当需求进一步变多之后，总有一种硬件资源会先遇到瓶颈，这时候其他资源大概率是没有达到瓶颈的，这就有了性能优化的机会点，说白了就是如何提升各大资源的利用率。

2026-01-27 08:45:49 329

原创＜span class=“js_title_inner“＞万字详解大模型推理加速核心原理：分形规律与资源计算公式＜/span＞

关注腾讯云开发者，一手技术干货提前解锁👇大模型推理性能优化比较复杂，千头万绪，涉及推理框架、模型特性、GPU硬件特性、算子优化、网络基础设施、通信协议、SLO等很多方面因素，优化的时候主要用工具分析Timeline，借力开源成果进展以及参考业界的各种论文和做法展开，总有一些东一榔头西一棒子的感觉。当涉及到灵魂拷问的时候，其实挺难回答，比如问：在某某芯片上的推理成本，还能降低到多少？但大模型推理加速也有一些内在规律：大模型推理性能的核心挑战源于算力、显存、显存带宽、通信带宽等资源不匹配或短缺。该挑战在宏观分

2026-01-27 08:45:49 677

原创腾讯技术面：数据库核心八股终极典藏版

例如：上面的 Case，当 A 节点资源负载过高的时，数据库代理此刻可感应到 A 节点的信息，减少请求分配到 A 节点，从而减少 A 的负载压力，以此来保障数据库的响应速度。基于数据库代理的读写分离功能会识别不同的语句，将 DDL、DML 等写入的语句会通过主节点执行，读语句会通过只读节点执行，当有多个只读节点同时读取同一个数据或者主节点刚写入立马进行查询的场景，可能由于只读节点还未同步主节点的写入后者多个只读节点同步主节点的延迟不一样，导致从只读节点的读取数据不是最新版本，从而带来一致性问题。

2026-01-22 08:45:56 760

原创反思软件工程，超越Vibe Coding

从Vibe-Coding高速产生代码带来的眩晕之后，原型是可用的，但如何让氛围生成的代码真正支撑起大规模生产级别的应用成为挑战。AI 极其擅长重构。如果你去掉其中任何一部分来降低复杂性，你就无法再满足用户的核心需求，或者说你是在解决一个“不同的、更简单的问题”，而不是原有的问题。乐观的看，AI的不确定性的将会更稳定、AI的世界知识会更丰富，AI应用的成本会降低，现有的工程方法和流程将深度重构。因此，广义的业务建模本身就是在定义业务是什么（分析），如何做（设计）的基础，所以本质在回应”做什么“和”怎么做"。

2026-01-21 08:45:40 474

原创万字详解大模型应用发展：RAG、MCP、Agent的爆发之旅

然而，正如苦涩的教训所示，强化学习只关注结果的有效性，甚至允许非正统或计划外的捷径。出现，受到认知心理学双过程理论的影响，从系统1思维（快速、直觉性）到系统2思维（慢速、分析性）的转变，这一时期开始强调提升模型推理能力，从简单的模式识别向更具逻辑性和结构化的思维过程迈进。在Basic Reflection的基础，上引入了强化学习的概念，通过设计解决强化学习中的如何评估生成的输出质量以及如何提供有用的反馈信息以帮助Agent改进自身的表现，使AI能够根据外部数据评估答案的准确性，并进行更有建设性的反思。

2026-01-20 08:45:35 315

空空如也

空空如也