小工匠

文章摘要： Agent Harness（智能体运行框架）是决定AI智能体实际表现的关键基础设施，它将“裸”大语言模型转化为可靠的任务执行系统。实验表明，仅优化外围框架（不改变模型本身）即可大幅提升智能体性能。Harness包含十二大核心模块，如编排循环（任务调度引擎）、工具层（现实交互接口）、记忆系统（跨会话连续性）和上下文管理（防止信息过载）。这些模块协同工作，解决了生产环境中常见的性能断崖问题。类比计算机架构，Harness如同操作系统，使模型的推理能力转化为稳定落地的行动。未来AI工程竞争的核心战场正

文章摘要：本文探讨了AI编程工具在实际生产环境中的局限性，尤其是在处理复杂代码库时的低效问题。通过HumanLayer创始人Dex Horthy的经验分享，提出了“上下文工程”方法论，强调优化上下文窗口管理是提升AI编程效率的关键。文章详细介绍了主动压缩、子代理和RPI工作流（研究、规划、实现）等实用技巧，帮助开发者在大型代码库中高效利用AI工具，避免“返工陷阱”。通过实战案例（如30万行Rust代码的bug修复）验证了这套方法的有效性，展示了如何让AI在真实开发场景中发挥更大价值。

大模型推理能力的本质在于生成中间步骤（中间token），而非模仿人类思考。DeepMind团队通过数学证明，允许生成足够长的中间序列，固定大小的Transformer理论上可解决任意复杂问题。研究发现，预训练模型已具备推理能力，但需改进解码策略（如思维链解码）使其显现。提示工程（如思维链提示）虽能激发推理，但依赖人工设计。监督微调（SFT）泛化能力有限，而强化学习微调通过模型自生成解答优化推理能力，更接近"直接优化目标"的机器学习原则。这些研究为大模型的推理能力提供了理论基础和实践路径。

摘要：用Claude Code重构AI协作工作流 本文系统介绍了如何将Claude Code从"对话工具"升级为"生产力引擎"。核心要点包括：1) 通过终端安装实现本地化部署，使AI可直接操作系统文件；2) 在VS Code或Antigravity IDE中配置智能体权限模式，平衡安全与效率；3) 利用CLAUDE.md文件作为项目"大脑"，通过预设技术规范持续指导AI输出；4) 演示十分钟构建完整网站的实例，展示AI在代码重构和任务拆解方面的能力。文章强调，这种工作流重构的关键在于建立清晰的协作规则，而非

摘要： 本文深入浅出地解析了大语言模型（如ChatGPT）的工作原理，围绕词向量、Transformer架构与训练机制展开。词向量将单词编码为高维数字，通过向量运算捕捉语义关系（如“国王-男+女≈女王”）。Transformer模型由多层网络构成，每层通过注意力机制动态关联上下文（如解决代词指代），前馈网络则基于上下文预测下一个词。训练过程通过反向传播调整海量参数，使模型从数据中自主学习语言规律。尽管模型内部机制复杂且难以完全解释，研究者已通过实验揭示了部分运作逻辑，例如注意力头协作解决语义歧义。大模型的“

摘要：AI Agent在复杂任务中的瓶颈与突破方向 当前AI Agent在执行长程复杂任务时面临核心矛盾：用低带宽的聊天界面驱动高度并行的工作树，导致人类判断只能在根节点介入。文章基于Legora CTO的演讲，提出三个关键观点： 生产瓶颈转移：AI已能完成标准化任务，真正的瓶颈在于任务规划与结果审阅。垂直AI需要优化意图输入和结果验证的交互方式。 验证性原则：任务能否被AI接管取决于可验证性。应将行业任务按"易解性/易验证性"二维分类，优先攻克高验证性任务，通过任务改造和代理验证提升可靠性。 信任与控制矩

摘要 本文系统梳理了Stanford「Beyond LLM」课程的核心内容，为AI工程师提供了一套完整的LLM增强技术路线图。文章首先指出Base Model的四大短板：缺乏领域知识、信息滞后、输出不可控和长上下文表现退化。针对这些问题，详细介绍了三种关键技术：Prompt Engineering（强调结构化思维和Prompt Chaining）、Fine-Tuning（建议谨慎使用）和RAG（检索增强生成的标准解法）。文章特别指出，RAG通过向量检索和文档分块技术，有效解决了知识更新和幻觉问题，在当前技术

本文介绍了一种创新的设计系统表达方式——DESIGN.md，这是一种用纯Markdown编写的结构化文档，旨在让AI模型能够准确理解和遵循设计规范。文章分析了传统设计系统载体对AI不友好的问题，阐述了DESIGN.md的核心优势，并详细介绍了awesome-design-md开源仓库的架构与内容。该仓库收录了众多知名产品的设计系统Markdown模板，包含9大标准化章节，从视觉主题到组件样式全面覆盖，为"AI+UI生成"提供了可落地的工程化解决方案。通过这种文本化的设计规范，开发者可以更

2026年AI生产力工具迎来爆发，PicDoc.ai和Napkin.ai作为文本转图表的代表产品各具特色。PicDoc.ai擅长专业图表生成，支持中文和多格式输入；Napkin.ai则侧重轻量协作和快速可视化。此外，EdrawMax AI（中文友好）、Whimsical AI（极简脑暴）、Gamma.app（演示文稿）、Venngage AI（高颜值信息图）、Miro AI（团队协作）和Lucidchart AI（技术图表）等工具也各有所长。用户可根据中文支持、协作需求、专业程度等维度选择，建议组合使用不同

本文介绍了一种利用AI工具高效制作PPT的两阶段工作流：先用大语言模型（如ChatGPT）生成结构化大纲与内容，再通过图像模型（如Nano Banana Pro）逐页生成视觉化PPT单页图。该方法将传统PPT制作中的认知成本与设计成本分离，用户只需提供需求文档和参考模板，AI即可自动完成95%的工作。关键步骤包括：让AI扮演专业PPT设计师生成详细大纲，基于风格参考图生成4K分辨率单页图，最后将图片直接插入PPT工具。文章还提供了具体的提示词模板、效果展示及工程化建议，特别适合技术汇报、方案演示等标准化场景

摘要： 2026年，大模型的核心竞争力从“智商”转向长流程任务的耐久性与可靠性，而Agent Harness成为支撑这一能力的关键基础设施。与传统Agent框架不同，Harness如同“操作系统”，系统化解决长流程中的三大难题：上下文管理（压缩与卸载）、任务协作（并行拆分与编排）和实时纠偏（监控与回滚）。实践表明，Claude Code等案例通过系统级工程显著提升稳定性。设计Harness需遵循轻量化与模块化原则，避免过度工程化，从最小原型（如原子工具+基础监控）逐步演进，聚焦可删除的灵活架构。最终，Har

本文提出构建生产级智能体AI系统的7层架构方法论，旨在解决企业应用中可控性、可观测性和可演进性的核心需求。该框架包括：目标与价值对齐层（明确业务目标与约束）、感知与数据接入层（统一多源数据输入）、记忆与知识管理层（管理长期知识与短期记忆）、规划与决策层（任务分解与策略选择）、行动执行层（工具调用与系统集成）、反馈与优化层（数据采集与持续改进）以及安全与监控层（风险控制与合规审计）。文章强调企业级智能体需平衡自主性与治理要求，通过分层解耦实现从概念验证到生产部署的跨越，并提供了各层级的具体实践建议，如目标分层

随着大语言模型（LLM）的发展，多智能体系统（Multi-Agent System）重新成为技术焦点。本文探讨了单智能体（Single Agent）与多智能体（Multi-Agent）的工程路径差异，指出单智能体短期更易落地，但多智能体在复杂任务协作中具有长期优势。真正的挑战在于系统工程，而非模型能力，包括通信机制、协同决策和全局调度。未来突破方向将聚焦记忆工程、环境工程和持续学习，推动AI从个体智能迈向群体智能，最终形成类似操作系统的多智能体协作网络。这一转型标志着AI从模型工程向系统工程的跨越。

AI助手正分化为工程型（如Claude Code）和个人代理型（如OpenClaw）两类。前者专注代码生产，后者管理跨平台任务。两者的协同将重构开发流程：工程AI负责技术执行，个人AI处理信息流和自动化。未来开发者需掌握AI调度能力，从代码编写者转变为AI协作系统的设计者。这种分工模式标志着AI从工具向协作伙伴的进化，推动开发范式向"人类决策+AI执行"转变，带来生产力的层级跃升。技术人员的核心技能将转向系统设计和AI工作流管理。

> 面向读者：已经了解 / 正在尝试 OpenClaw、各种 Agent、自动化工作流的开发者、研究者和技术爱好者，希望从「能做什么」到「怎么落地」建立系统认知。

OpenClaw技能生态指南：精选3000+本地AI助手扩展能力 OpenClaw是一个可在本地运行的AI助手，通过安装"技能"（Skills）扩展功能。官方技能库ClawHub包含5700+社区技能，但存在质量参差不齐的问题。awesome-openclaw-skills仓库精选3002个通过可用性筛选的技能，覆盖20多个场景，包括： 编码协作（133个） Git管理（66个） 前端开发（202个） DevOps（212个） AI模型管理（287个）等 安装方式支持： 官方CLI工具一

OpenClaw 是一个"自托管"的 AI 管家系统：本地/服务器起一个 Gateway，接入飞书/Telegram 等聊天渠道，支持插件、工具调用、定时任务和仪表盘。适合把 AI 变成"能干活"的助手，而不仅是聊天。

文章摘要： NotebookLM-py 是一个非官方的 Python SDK 和 CLI 工具，通过逆向工程 Google NotebookLM 的内部接口，为开发者提供了编程调用 NotebookLM 的能力。该工具支持创建和管理 Notebook、导入多种数据源（URL、PDF、音视频等）、对话交互、研究功能自动化，以及生成音频、视频、幻灯片等多种内容格式。其核心优势在于将网页端的操作完全 API 化，并扩展了批量导出、权限管理等额外功能，适合自动化内容生成、学习系统构建等场景。但由于依赖未公开接口，存

本文探讨了如何通过「Agent Skill」将零散的Prompt和经验转化为可复用的专业技能模块，解决传统用法中的重复劳动、易遗漏和难维护问题。Skill是一个可复用的知识包，让AI自动触发专业能力，相比其他方案更注重专业技能与业务流程。设计Skill需遵循四个原则：渐进式披露信息、优化上下文资源、按任务脆弱性调节自由度、针对模型编写操作手册。文章还介绍了五种Skill结构模式（极简指导型、示例模板型、工具脚本型、知识库型和混合型），帮助用户根据需求选择合适的设计方案。

2025年，Claude Skills/AI技能模块成为技术新焦点，标志着AI从聊天工具向任务执行者的转变。与一次性指令Prompt不同，Skills是可复用、自动触发的AI能力单元，包含明确的能力边界、输入输出规范和触发策略。其爆火源于AI决策能力提升、Agent架构成熟及生态形成，使AI能真正替代人类完成任务。 当前实用Skills资源包括：Anthropic官方文档处理工具、社区精选导航站（如Awesome Claude Skills）、工程化工作流市场（Claude Skills Market

摘要： 大模型时代，显存成为能否运行模型的首要门槛。本文系统分析显存消耗的四大来源：模型参数、中间激活、KV Cache和框架开销，并针对推理、微调、训练场景给出显存估算方法。例如，7B模型FP16推理约需18GB显存，轻量微调需24GB，而全参数训练显存需求呈数量级增长。选型建议：本地玩家可选8-24GB显卡运行7B/13B量化模型，团队服务需24-48GB显存支持长上下文与并发。合理估算显存需求是硬件规划的关键。

摘要： 大模型应用中的Agent架构正从「专用Agent堆叠」转向「通用Agent+技能库」范式。传统方案因上下文臃肿、维护成本高、知识无法复用而难以扩展。新架构以Universal Agent作为决策中枢，配合模块化Skills Library，实现能力的按需加载与组合。每个Skill包含元数据、详细指令和可执行资源，通过渐进式加载平衡上下文限制。该架构支持组织级知识沉淀，使新增能力只需添加Skill而无需修改Agent核心，为规模化落地提供了可行路径。

摘要：AI工程化新范式——Claude Code Skills机制解析 本文系统阐述了Claude Code推出的Skills机制，这是AI工程化领域的重要创新。随着大模型能力提升，团队差异已从"模型智能度"转向"AI工作流集成能力"。Skills机制通过将AI能力拆解为可组合、可复用的"技能包"，解决了传统Prompt方法存在的上下文冗余、行为不可预测等问题。文章详细分析了Skills的三层架构（元数据、指令层、资源层）和自动激活机制，并与Hoo

A2UI（Agent-to-User Interface）是Google推出的开源项目，通过JSON格式传输"界面意图"而非可执行代码，解决了AI生成UI的安全性和兼容性问题。核心优势包括：1）安全优先设计，采用声明式JSON和预审批组件目录；2）支持流式增量渲染，提升用户体验；3）框架无关性，同一JSON可在不同平台渲染为原生UI。A2UI为生成式UI提供了安全、高效、跨平台的解决方案，已在Google多个生产系统中应用。

在大模型时代，Agent已从简单聊天机器人发展为能处理复杂任务的数字员工。Anthropic提出的Model Context Protocol(MCP)和Agent Skills(Skill)是关键解决方案：MCP标准化外部工具连接，Skill封装可复用任务流程。文章系统分析了传统工具调用的痛点，对比了MCP与Skill的分层协作关系，并通过两个实战案例（自动周报生成和结合Spring AI的数据分析）展示了如何构建实用AI Agent。MCP解决"怎么连"的问题，Skill解决&

摘要： 在Agent开发中，过度加载上下文会导致性能、质量和成本问题。Anthropic提出的三层技能结构（元数据层、正文层、附属文件层）通过渐进式加载实现高效上下文管理。建议从"工具视角"转向"工作流视角"组织技能，确保每个技能聚焦单一能力。实践案例显示，将SKILL.md控制在200行内可提升4.8倍token利用率，显著降低延迟和溢出风险。落地时需审计现有技能，重构边界，并制定"200行规则"和冷启动测试规范，以优化Agent的稳定性和成本效

摘要：JSON在LLM时代的局限性及TOON格式的优化方案 传统API时代广泛使用的JSON格式，在大语言模型(LLM)应用场景中暴露出显著问题。核心矛盾在于：LLM按Token处理数据，而JSON的结构冗余导致大量无效Token消耗。典型问题包括重复字段名、结构符号占用上下文预算，降低了模型的有效信息获取率。 新兴的TOON(令牌优化对象表示法)通过三项关键改进重塑数据格式：扁平化嵌套对象、消除重复结构、采用表格化排列。实测显示TOON相比JSON可节省约60%的Token，显著提升上下文窗口的信息密度。

AI Agent技术栈中的Skills与MCP（Model Context Protocol）是两条关键能力路径：Skills负责固化方法论和流程（如代码审查、文案规范），通过结构化知识提升Agent的专业性；MCP则标准化外部系统连接（如GitHub、数据库），实现安全可控的工具调用。两者分别从内部心智和外部感知维度增强Agent能力，需协同使用——Skills确保执行质量，MCP扩展能力边界。这种组合使Agent从演示原型升级为可落地的生产系统。

摘要：Claude Skills 是可复用的专家能力单元，包含指令、知识和工具，解决现有AI应用中的Prompt复用难、工作流固化等问题。通过渐进式披露机制，Skill仅在必要时加载相关信息，避免上下文污染。开发者可通过六步流程创建Skill，包括定义元数据、设计专家工作流等。相比Sub-Agents和MCP，Skills更轻量，适合垂直任务场景，能实现模型在不同专家模式间的灵活切换，提升AI应用的工程化水平。（149字）

摘要 Model Context Protocol（MCP）是一种开放标准协议，旨在解决大模型与外部工具、数据源集成困难的问题。MCP通过统一接口连接AI应用（如LLM、Agent）与各类服务，降低集成复杂度，促进开放生态。核心包括基于JSON-RPC的协议层、工具调用、资源访问和提示模板三大能力，支持多种传输方式。相比传统插件或手写集成，MCP将N×M的定制集成简化为N+M的标准协议，实现解耦复用。协议还包含安全控制和权限管理，适合企业环境。MCP有望成为AI时代的通用协议，推动从"手动挡&qu

摘要： AI Agent技术正从概念走向落地，通用Agent虽功能全面但成功率低，垂直场景Agent（如Coding Agent）表现更优。MCP协议解决了Agent与工具/数据的连接问题，而Skills层通过可复用的“技能包”提升了任务执行的稳定性。上下文工程通过精准控制信息输入（写入、选择、压缩、隔离）优化决策质量。未来Agent将演变为以LLM为核心、工具为外设的云端计算环境，需结合工程化方法实现高效落地。

AI系统正从单体智能转向多智能体协作架构。早期Copilot主要完成简单任务，而现代Agent系统已能深入业务流程，承担专业角色。单体智能架构简单但面临职责过载等问题，多智能体通过角色拆分实现模块化协作，但需解决通信与调试难题。关键设计包括记忆体系（短期/长期、共享/私有）和护栏系统（行为边界、安全过滤）。建议项目初期采用单体验证核心价值，逐步拆分为多智能体并关注产业协议标准。产品设计应从"角色列表"出发，将观测性作为首要考量，避免过早锁定架构方案。

本文提出构建生产级智能体AI系统的7层架构方法论，旨在解决企业场景下智能体系统可控、可观测、可演进的需求。7个核心层级包括：目标与价值对齐层（定义业务目标与约束）、感知与数据接入层（多源数据统一接入）、记忆与知识管理层（长期知识与短期记忆管理）、规划与决策层（任务分解与策略编排）、行动执行层（工具调用与系统集成）、反馈与优化层（多维度反馈采集与持续优化）、安全与监控层（风险控制与合规审计）。文章详细阐述了各层级的核心职责、关键问题及实践建议，强调通过分层解耦实现智能体从概念Demo到企业级系统的转变，并特别

摘要： Model Context Protocol (MCP) 是 AI Agent 工具交互的标准协议，由 Anthropic 于 2024 年推出，旨在解决 Agent 与外部资源集成的碎片化问题。MCP 通过标准化工具发现、调用和响应流程，提升扩展性与安全性，支持多种传输方式（如 HTTP、SSE）。其核心优势包括模块化、动态工具发现和语义描述（如 inputSchema）。落地实践中，MCP Server 需解决安全性（认证授权）、动态编排和存量服务转化等挑战，通过注册中心与网关实现工具生命周期管

2025年被视为"AI Agent元年"，垂直行业Agent面临的核心挑战是如何将行业专有知识（Know How）系统化。行业Know How包含术语体系、规则约束等五大模块，但80%的行业Agent失败源于知识未结构化。文章提出"知识-数据-行为-模型"四层架构解决方案：知识层通过结构化术语与规则库实现隐性知识显性化；数据层建立测试集先行机制；行为层定义Agent执行边界；模型层采用RAG优先策略。最后以Spring AI框架为例，展示了企业级Java Agent的

摘要：SpecKit与AICode结合为存量Java Web系统提供规范驱动开发流程，通过五步标准化流程（对齐原则、需求规格化、技术设计、任务分解、自动实现）解决AI编码带来的风格分裂、测试缺失等问题。以Spring Boot项目为例，从定义项目宪法到代码实现，建立可复用、可协作的开发规范，提升团队协作效率与代码可维护性。

AI智能体应用设计指南 随着大语言模型发展为能自主规划、调用工具的AI智能体，如何合理应用成为关键。本文提出实用建议： 适用性判断：固定流程用工作流更高效；复杂推理场景才需智能体。需权衡延迟与成本收益。 工作流三模式： 提示链：有序拆解任务 路由：智能分发子任务 并行化：同时处理独立任务 智能体四模式： 反思：自我审查迭代 工具使用：连接外部系统 规划：中央协调多步骤 多智能体：角色分工协作 实践建议：从简单版本开始，混合使用模式，注重日志监控和异常处理。先用工作流打基础，再在关键环节引入智能体，通过指标持

本文介绍了如何利用Spring AI Alibaba Graph将多智能体订单助手重构为图工作流形态。传统基于if-else的编排方式存在维护困难、扩展性差等问题，而Graph方案通过StateGraph、Node、Edge和OverAllState四个核心概念，将复杂业务逻辑转化为清晰的可视化流程图。 文章详细说明了项目采用的多模块架构设计，包括ai-starter、ai-graph-order等模块的职责划分。重点阐述了订单助手Graph的设计思路，将业务拆分为入口节点、意图识别节点和多个Agent节点

2025年成为AI Agent工程化与产业化的关键拐点，技术从生成式AI向Agentic AI演进，重点转向工具调用、记忆、规划与多智能体协作等系统能力。Spring AI等框架推动Java工程实践落地，典型应用场景覆盖金融、客服、工业等领域。智能体需具备四大核心能力：工具调用（驱动API/数据库）、记忆（维持长期交互）、规划（任务拆解与执行）、多智能体协作（角色分工）。产业应用已从试点转向可量化ROI阶段，但仍面临数据隐私、系统集成与风险治理等挑战。Spring AI多Agent Demo展示了订单助手场

以“实战向”视角，聚焦三个问题： 1. 如何搭一个现代 RAG 系统，而不是“向量库 + Embedding”拼凑品。 2. 如何把 RAG 升级为支撑 Agent 的 Context Engine，接管知识库、Memory 和 Tool Retrieval。 3. 2026 年要不要上多模态 RAG，上了怎么活下来（成本与工程挑战）。