- 博客(119)
- 收藏
- 关注
RSS订阅原创 HTML5 调用 AI 接口的异常捕获与友好提示
统一封装一个AIError// 业务错误码业务层可以按错误码决定是否允许自动重试、切换备用模型等操作。
2026-09-14 17:19:32
320
原创 告别造假数据，直接连数据库查真实时序数据喂给 TimechoAI 大模型
TimechoAI 是 Timecho（天谋科技）围绕 Apache IoTDB 时序数据库生态打造的大模型助手，目标是用自然语言完成时序数据的查询、诊断、预测和运维决策。它让业务人员、运维工程师和数据分析师不再需要手写复杂的 SQL 或调用各种专业工具，只需要用一句话描述需求，就能从海量时序数据中得到分析结论。但在实际落地时，很多团队为了快速跑通演示流程，先用脚本批量生成一批"仿真时序数据"喂给模型。常见做法包括用正弦波叠加噪声模拟传感器曲线、用随机数模拟设备状态、用固定模板生成告警记录。
2026-09-14 17:16:16
164
原创 AI 编程进入监督时代：从补全代码到管理执行系统
从补全到监督，AI 编程工具的角色正在从「被动助手」走向「受控执行者」。这一转变的关键不在于模型更强，而在于闭环的出现：任务被规划、代码被生成、结果被验证、失败被修复，人站在闭环之上做监督与决策。回看全文，监督式编程的真正难点，从来不只是让 AI 写出更多代码，而是建立一套可持续运转的控制结构：目标要清楚，边界要明确，反馈要闭环，过程要可解释，失败要可回滚。只有在这些条件下，「监督」才不是一种更累的工作方式，而是一种更高效的分工。对开发者而言，这既是效率红利，也是能力转型的信号。
2026-09-13 19:24:19
307
原创 数据可视化：AI 生成 HTML5 动态交互式数据图表
数据可视化早已不是把数字画成一张静态图片那么简单。无论是商业报表、科研分析，还是运营大屏，现代读者期望的是一张可以悬停查看数值、拖拽缩放、动态过渡的图表。HTML5 凭借 Canvas、SVG、WebGL 等原生图形能力，配合成熟的 JavaScript 图表生态，已经成为构建交互式数据可视化的事实标准。而随着 AI 辅助编程工具的普及，生成一张 HTML5 交互式图表已经从「手写几百行配置」简化成「用自然语言描述需求」。本文将从图表库选型出发，演示如何借助 AI 快速生成可运行的 ECharts、Char
2026-09-13 17:33:55
352
原创 深度解析 MCP 协议：AI 大模型系统的「万能插座」与标准化工具调用桥梁
MCP（Model Context Protocol）是一个开放、标准化的协议，用于在大模型应用与外部数据源、工具之间建立统一连接。不改变模型本身，而是标准化模型与外部世界交互的方式。理解 MCP 最好的类比是USB 接口在 USB 出现之前，键盘用 PS/2 接口、打印机用并口、显示器用 VGA/DVI、外置硬盘用 SCSI——每种外设都要专门的接口和驱动。USB 出现之后，所有外设通过同一种物理接口和通信协议接入计算机，即插即用。
2026-09-11 19:09:45
258
原创 WorkBuddy 小白入门：把 AI 请进文件夹，真正用好「工作空间」
很多同学第一次接触 WorkBuddy 时，都会把它当成一个普通的 AI 对话框：抛一个问题，等一段回答，再把结果复制到自己的项目里。坦白说，这种用法当然没问题，而且很适合一些临时、零散的小需求。上下文靠转述：AI 看不到你的项目文件，只能靠你「口头转述」上下文。你可能需要把大量代码、目录结构、需求说明一段段贴进对话里，既啰嗦又容易遗漏。背景要反复交代：每次换一个对话，AI 就“失忆”了。昨天讲过的项目背景，今天还要从头说一遍，费时费力，还容易前后不一致。产出与文件脱节。
2026-09-11 17:27:38
189
原创 DeepSeek Harness 完全指南：从零搭建你的第一个 AI Agent 工作流
在传统聊天机器人中，用户提问后模型只负责“生成一段回答”，任务到此结束。而 AI Agent 工作流则把大模型当作一个调度中枢：模型可以自主决定调用哪些工具、按什么顺序执行、如何根据中间结果调整下一步计划，最终完成一个多步骤任务。规划：把复杂目标拆解成可执行步骤。工具调用：调用搜索、计算器、API、数据库等外部能力。记忆：在多轮交互中保留上下文。反思与重试：根据工具返回结果修正行动。DeepSeek 提供的对话与推理模型具备较强的指令跟随和函数调用能力，非常适合作为 Agent 的“大脑”
2026-09-10 16:59:03
300
原创 OpenClaw 全解析：AI 从“能说会道”到“真刀真枪”干活的破局者
OpenClaw 代表了一种很务实的 Agent 落地思路：不执着于打造一个全知全能的超级 AI，而是把大模型接入真实工具链，让它在你的电脑和消息渠道里持续干活。连接真实世界：终端、文件、浏览器、日历，都是 AI 的操作对象。跨渠道常驻：无论你在哪，都能把任务派给它。开源可控：你掌握权限边界，也掌握它能力的上限。如果你已经厌倦了只会“给建议”的 chatbot，想让 AI 真正帮你处理日常事务，OpenClaw 值得一试。
2026-09-10 16:52:58
186
原创 向量数据库深度解析：AI时代的“记忆宫殿”与RAG核心引擎
Embedding（嵌入）是将离散对象映射到连续向量空间的技术。一段文本经过嵌入模型处理后，会得到一个固定维度的浮点数向量，例如 768 维或 1536 维。向量中的每个维度没有直观的人类可读含义，但整体编码了文本的语义特征。OpenAIBGEGTEM3EE5CLIP（图文对齐）向量数据库的兴起，本质上是 AI 从“会说话”走向“能记住、会检索”的必然结果。
2026-09-09 21:42:02
202
原创 Harness Engineering 驾驭工程：从使用到项目实战
Harness 的核心竞争力在于“结构化”：Pipeline、Stage、Step 层次清晰，Service 与 Environment 分离，变量与模板消除重复，内置策略与回滚降低操作风险。对工程团队来说，它更像一套交付操作系统，而不是又一个需要自己维护插件的脚本执行器。理解核心概念；部署 Delegate 与连接外部资源；编写 CI 流水线完成测试和镜像构建；借助 K8s Deployment 实现滚动部署；引入模板、审批、回滚等企业级能力；
2026-09-09 21:33:05
194
原创 别让你的 Agent 一口吃成胖子：AI Agent 任务拆分的工程实践指南
dataclass"""一个可执行、可观测、可恢复的子任务。"""id: str# 执行函数：接收上下文，返回结果# 验证函数：判断执行结果是否满足要求# 失败后最多重试次数# 该任务是否需要人工确认后才执行# 前置任务 id 列表：都成功后才执行本任务Agent 的能力边界，往往由任务拆分的质量决定。模型再强，也架不住一个没有结构、没有边界、没有失败策略的混沌任务。从「稳定中间态」和「外部依赖」中找拆分点；用管道、计划-执行、分而治之三种模式组织子任务；
2026-09-09 15:52:34
141
原创 如何借助 AI 实现自动化测试：让 Agent 帮你写测试、跑测试、修测试
先明确 Agent 的任务边界：只针对生成并修复单元测试，不修改与订单无关的模块。边界越清晰，Agent 越不容易「跑偏」。借助 AI 实现自动化测试，核心不在于「让模型多写几行代码」，而在于构建一个反馈闭环：Agent 写测试 → 执行测试 → 解析失败 → 归因修复 → 再次验证。这个闭环让测试从「一次性生成」升级为「可持续自愈」。基于需求文档生成验收测试：从用户故事直接产出行为驱动测试；智能测试优先级排序：根据代码变更自动选择最值得跑的那部分测试；跨仓库回归分析。
2026-09-09 15:36:37
149
原创 优先级排序提示词：让AI帮你理清轻重缓急
优先级排序提示词的本质，是把你脑中的「焦虑清单」交给 AI 重新组织一遍。清晰的任务清单：让 AI 知道要排什么，任务越具体，结果越可用；明确的判断标准：让 AI 知道按什么原则排，是四象限、投入产出比，还是长期价值；具体的输出要求：让 AI 知道你要的是表格、顺序，还是解释，甚至是要不要给拒绝话术。[角色设定] + [任务清单] + [排序标准] + [输出格式] + [限制条件]下次再觉得「事情多到不知从何下手」时，不妨把本文的模板复制过去，替换掉方括号里的内容。
2026-09-08 16:04:20
205
原创 大模型技术全景：AI、机器学习、深度学习，三者的关系到底是什么？一文搞懂
人工智能是一个相对宽泛的愿景，目标是让机器具备感知、理解、推理、决策、创作等能力。只要一个系统能够完成通常需要人类智能才能完成的任务，它就可以被纳入人工智能的范畴。人工智能并不限定实现方式。早在上世纪，人们就已经通过“专家系统”来实现某些 AI 能力：由人类专家把知识整理成一条条规则，例如“如果发烧且咳嗽，那么可能感冒”，再交给计算机执行。图灵测试。它的核心思想是，如果一台机器能够在对话中让人类无法分辨对方是人还是机器，就可以认为它具备了某种“智能”表现。
2026-09-08 15:37:05
364
原创 AI 写的代码越来越多，程序员真正的风险变了
写代码越来越便宜，是技术进步的必然。真正危险的不是我们把代码交给 AI，而是我们习惯了“省心”，习惯了不追问、不深入、不负责。AI 可以把代码写得更快，但项目的成败仍然取决于那个愿意为代码负责的人。工具越强，越需要清醒的人来使用它；生产越容易，越需要有人守住判断的底线。程序员不会被写代码的 AI 取代，但会被“更会用 AI 且仍然深刻理解系统”的人取代。风险的形态变了，护城河的位置也变了，但赢得比赛的方式没有变：永远做那个真正看得懂全局、扛得起责任的人。
2026-09-06 21:25:07
183
原创 ChatGPT 的回答也能被结构化抓取？AI Bot Scraper 对比测评
AI Bot Scraper 可以理解为一类「对话式 AI 的自动化采集工具」。它的本质不是传统意义上的网络爬虫，而是把「浏览器自动化、网络请求拦截、DOM 解析、数据清洗」组合起来的采集流水线。与抓取静态网页不同，它要处理的是一个实时生成、不断变化、需要登录态的复杂页面。会话准备：启动无头或有头浏览器，加载目标 AI 产品页面（如 ChatGPT、Claude、Gemini），并恢复登录态。登录态通常通过已保存的 Cookie、文件或扫码会话注入；提示词注入：把提前整理好的问题依次写入输入框并发送。
2026-09-06 21:19:46
345
原创 【AI大模型】DeepSeek Harness 深度解析：大模型评测框架的架构与实践
DeepSeek Harness 是围绕 DeepSeek 系列大模型所构建的一套评测与实验框架，用于统一管理模型的加载、推理、任务适配与指标计算。它的定位与社区常见的类似，但在内部结构上更贴合 DeepSeek 模型的多卡部署、长上下文以及 MoE（Mixture of Experts）特性。如何用一套可复现的流程，量化一个大模型“到底有多强”。统一的数据集加载与预处理统一的模型封装与推理接口统一的评测指标计算与结果汇总支持多 GPU、多进程、分布式评测支持自定义任务的注册与扩展。
2026-09-04 20:45:45
723
1
原创 AI大模型接入SDK：人工智能核心概念与发展史
人工智能（Artificial Intelligence，AI）是指让机器模拟人类智能行为的技术，包括学习、推理、规划、感知、语言理解等能力。弱人工智能（Weak AI）：专注于特定任务，如语音识别、图像分类、下棋。当前绝大多数 AI 都属于此类。强人工智能（Strong AI / AGI）：具备与人类相当的通用智能，能在任意领域进行学习和推理，目前仍是远期目标。SDK（Software Development Kit，软件开发工具包）是一组用于帮助开发者快速接入特定服务的库、工具和文档的集合。
2026-09-04 20:36:31
222
原创 数据可视化：AI处理多维数据的HTML5可视化方案
在真实业务中，“多维数据”几乎无处不在：用户行为有几十个特征、传感器每秒上报几十个指标、推荐系统的特征向量动辄上百维。传统的二维图表（折线图、柱状图、散点图）最多只能同时编码 3~4 个维度，一旦维度超过 5 个，人类就很难从图表中直接读出结构和规律。多维数据可视化的核心矛盾是：数据本身在高维空间遵循的分布规律，无法直接“摊平”到二维屏幕上，而信息损失又不可避免。因此，一个好的方案通常不是“画更复杂的图”，而是把流程拆成两步：本文会先对比主流 HTML5 可视化方案，再介绍 AI 处理多维数据的常用手段，最
2026-09-03 21:11:43
478
原创 DeepSeek Harness vs Codex vs Claude Code：三款 AI 编程 Harness 深度对比
层次含义例子模型具备代码生成能力的大模型DeepSeek-Coder、GPT 系列、Claude 系列编程助手在 IDE 中提供补全、对话、解释各类 Copilot、插件Harness调度模型 + 工具 + 环境，自主完成多步开发任务本文对比的三款产品读取并理解多文件代码库；规划任务步骤（plan）；调用终端、编辑器、文件系统等工具（tool use）；执行并验证结果，必要时回溯修正；输出可审计的变更记录。模型是引擎，Harness 是整车。
2026-09-03 21:07:30
731
原创 AI 时代：Codex 与 Claude Code（CC）有什么不同？
Codex是 OpenAI 推出的编码智能体产品线。需要先说明一点：这里的 Codex 不是 2021 年那个只能补全 Python 的旧模型，而是 2025 年之后以Agent 形态出现的新产品。两者虽然共用同一个名字，但在产品能力和使用方式上已经完全不同。你可以在终端里的 Codex CLI启动一个任务。也可以把 Codex 接入IDE（如 VS Code 扩展），让它在编辑器侧边栏工作。还有云端版本：你把任务交给一个远程沙箱，Codex 在云端环境里运行，甚至不占用你的本地电脑。
2026-09-02 17:07:30
566
原创 Spring AI：Java 生态的 AI 赋能革命，企业级智能应用新标杆
Spring AI 的意义，不只是让 Java 开发者“能调大模型”，而是提供了一套把 AI 纳入企业级工程体系的范式。它把模型抽象、向量检索、提示词管理、Function Calling 等关键能力整合进 Spring 的世界，让 AI 应用从“一次性脚本”走向“可维护、可观测、可治理”的生产系统。对 Java 生态来说，这是一次真正的赋能升级；对企业级智能应用开发来说，它正在成为一个值得长期跟踪的新标杆。对于广大 Java 团队而言，现在正是投入学习与验证的最佳窗口期。
2026-09-02 16:52:24
351
原创 Codex 写 Commit 你敢全自动？——AI 提交信息生成的安全边界与实践指南
Codex 写 Commit 确实能显著提升开发效率，它把开发者从“组织提交信息”这件琐事中解放出来，也让团队的提交历史更容易保持规范和一致。但全自动并不等于零风险。核心矛盾在于：AI 看到的是 diff，而不是你的意图；它擅长概括改动，却不擅长辨别什么不该写进历史。以半自动为主：AI 生成建议，人工确认后手动提交；全自动只用于低风险场景：个人项目、实验性仓库、可以随时重建的分支；把敏感信息防线前置：在配置、扫查和团队规范中共同设防，而不是寄希望于 AI 自觉；保持对 prompt 和输入的控制。
2026-09-01 17:16:45
373
原创 如何利用 AI Coding 提效？从工具到思维的全面升级
AI Coding 工具仍在以月为单位迭代，今天的选择可能半年后就过时。但那些真正提效的人，靠的不是某个具体工具，而是一套人机协作的思维方式把精力从「写代码」移到「定义问题、拆解任务、验收结果」；把小步迭代、测试驱动、上下文沉淀变成默认工作习惯；把 AI 当成一个需要训练和管理的协作者，而不是一个魔法按钮。工具终将趋同，能力分层会在人的层面重新拉开。现在开始转变思维的人，会在这场效率革命里拿到最多的复利。
2026-09-01 16:44:05
432
原创 AI Agent 中的 Skills 深度解析：从概念原理到工程实践
在 AI Agent 语境下，Skill 并不是一个新鲜词，但不同框架对它的定义略有差异。我们需要先厘清几个容易混淆的概念。一个 Skill 可以被定义为：一段经过封装、带有结构化描述、可以被 Agent 按需发现与调用的能力单元。能力本体：真正干活的东西，可能是函数、HTTP 接口、脚本、服务，甚至是另一个 Agent。结构化描述：告诉模型这个 Skill 是做什么的、入参出参是什么、什么时候应该用。运行时约束：权限、超时、重试、审计等执行层面的管控。
2026-08-31 15:56:36
370
原创 OpenClaw 测试策略实战：AI Agent 自动化测试体系搭建与落地
OpenClaw 上的 AI Agent 自动化测试，核心不是「把传统测试套上去」，而是承认非确定性、分层治理、把确定性逻辑锁死、把非确定性行为约束化。分层建模：单元 → 组件 → Agent → 评估，明确每层的测试目标与稳定边界。环境隔离FakeLLMmock_http、容器化 fixture，切断一切不必要的真实依赖。约束断言：结构、行为、质量三层断言，配合降噪手段提升可信度。CI 分级：确定性测试秒级拦截，模型测试重跑兜底，评估门禁守住发布红线。
2026-08-31 15:47:47
329
原创 MCP协议开发实战：从零搭建AI Agent工具链
MCP 之于 AI Agent，类似于 LSP（Language Server Protocol）之于代码编辑器：编辑器通过 LSP 获得任意语言的提示能力，Agent 通过 MCP 获得任意工具的执行能力。一次开发，处处可用。本文从 MCP 的概念出发，完整走通了「Server 开发 → Client 连接 → Agent 集成 → 调试调试 → 模块化拆分」的全过程。通过 MCP，工具与模型彻底解耦，你的 AI Agent 可以像搭积木一样组合任意工具能力，而不必为每次集成重写胶水代码。
2026-08-28 17:28:46
389
原创 AI 提示词专栏：使用系统指令（System Prompt）实现全局约束
系统指令是提示词工程中性价比最高的杠杆：它一次设置、全程生效，用很小的文本量换取模型行为的全局稳定性。角色明确、边界清晰、格式统一、风格一致。在此基础上，用确定性的措辞、精简的清单、持续的迭代，就能让模型真正「稳定可控」。角色描述是否包含身份、经验、语气和目标受众？行为边界是否用否定式短句写清晰？输出格式是否明确到字段或段落结构？语气风格约束是否具体、可衡量？重要规则是否使用「必须、始终、不要」等确定性措辞？规则数量是否控制在合理范围内？
2026-08-28 17:24:40
373
原创 AI 对话流性能调优：万级消息的虚拟滚动落地
动态高度测量、滚动锚定、流式渲染节流、自动滚动交互、内存懒释放。用「只渲染可视区」把渲染成本从 O(n) 降到 O(1)；用「缓存 + 增量」把流式输出从全量重渲染变成定点更新；用「锚点 + 交互策略」让性能优化不牺牲阅读体验。当消息量从百级走向万级，这些优化不是锦上添花，而是产品能否继续使用的分水岭。
2026-08-27 20:50:04
327
原创 Spring AI 框架中集成 MCP 的完整指南：从服务端到客户端的全流程实践
通过@Tool注解，我们可以非常简洁地把一个普通方法暴露为 MCP Tool。@Tool(description = "根据城市名称查询当前天气，返回温度与天气状况") public String getWeather(@ToolParam(description = "需要查询天气的城市名称，例如北京") String city) {
2026-08-27 20:43:36
356
原创 Spring AI Tool 实现自然语言操作 MySQL 数据库详解
/ 无参构造 public Employee() {} // getter / setter 略 public Long getId() {return id;} }@Entity@Id// 无参构造// getter / setter 略@Override这是整篇文章的核心。我们通过@Tool注解把数据库访问方法暴露给大模型，@ToolParam注解用来描述参数含义，帮助模型正确传参。import com。
2026-08-26 17:20:43
264
1
原创 Codex 桌面版安装使用超详细教程：从零打造你的 AI 编程与自动化超级助手（2026 最新）
2026 年，AI 编程助手已经从“代码补全工具”进化成了真正的开发协作伙伴。其中，OpenAI 推出的 Codex 系列凭借强大的任务理解与多步骤执行能力，成为很多开发者的主力工具。它不仅能帮你写代码，更能帮你想清楚要做什么、怎么做、以及如何验证做对了。相比过去的命令行或 IDE 插件形态，Codex 桌面版把项目托管、任务执行、终端操作、文件变更审查整合到了一个独立的图形界面中。
2026-08-26 17:16:28
904
原创 WorkBuddy AI 工具使用完全指南
许多版本支持上传文档，并要求 AI 对内容进行分析。提取 PDF、Word、TXT 等文件的核心要点；总结长篇文章或会议纪要；从资料中查找特定信息；改写或翻译文档片段。文件处理的使用建议上传前先确认文件格式、大小和页数限制，避免上传失败；需要查找具体信息时，给出明确的问题，例如“这份合同中关于违约责任的条款在哪里”；对长文档可以先让 AI 输出摘要，再针对关键部分追问，效果更佳。上传文件前，请务必注意隐私安全，避免上传包含敏感信息的文档。
2026-08-25 16:59:17
539
原创 Function Calling 下一步：MCP 协议与 AI 工具生态
Function Calling 教会了模型「如何调用」，而 MCP 正在定义模型「如何连接」。前者是单点能力，后者是生态协议。对于开发者来说，现在是最好的切入点：把团队高频使用的内部能力封装成 MCP Server，既能立即在 Claude、Cursor 等支持 MCP 的工具中受益，也为未来的 Agent 化改造提前布局。从「写 JSON Schema 描述函数」到「发布一个可被任意 AI 应用发现的 Server」，这中间隔着的，正是下一个时代的入口。
2026-08-25 16:48:31
334
原创 AI辅助数据库工具链对比：从SQL优化到架构设计的主流方案评估
当前 AI 辅助数据库工具链已经形成清晰的五层格局，其中SQL 优化和可观测诊断是最成熟、ROI 最明确的切入点；NL2SQL热度最高但落地门槛在语义建模与安全；架构设计仍处于辅助生成与评审的早期，但天花板最高。从“单条 SQL 优化”走向“工作负载级优化”：AI 不再只盯一条查询，而是从整体负载中识别共性瓶颈（如某类查询反复走错索引）。Agent 化运维闭环：从“给出建议”演进为“在有护栏的前提下自动执行低风险变更并做 A/B 验证”。NL2SQL 与语义层的深度融合。
2026-08-24 20:08:21
331
原创 Python 基础语法（一）：常量、变量、输入输出与运算符
常量是指在程序运行过程中，值始终保持不变的数据。它通常代表一个在业务或数学上有固定含义的量。圆周率 π 约等于 3.14159；一天有 24 小时；一小时有 60 分钟；网站最大重试次数为 3 次。这些数值一旦确定，在程序执行期间就不应该被修改，因此被当作常量来处理。Python 本身没有像其他语言那样强制定义常量的关键字。也就是说，Python 并不会因为某个值「应当不变」就在语法层面阻止你修改它。更多时候，Python 依靠命名约定来表示某个变量「应当被当作常量，不要修改」。
2026-08-24 19:57:19
329
原创 AI 时代，普通程序员该如何提升自己？
在 AI 出现之前，很多需求是“模糊地交给程序员，由程序员在代码层面补全细节”。现在，AI 可以帮你补全代码细节，但前提是你必须先把问题定义清楚。因为 AI 的输出质量，高度依赖你输入的清晰程度。你给 AI 一个含糊的问题，它只能给你一个含糊的答案。需求方说“做一个用户积分系统”，你能不能进一步拆解出积分获取、积分消耗、过期策略、风控策略、数据统计等子问题？积分的有效期怎么定？不同渠道获取的积分权重一样吗？积分和现金抵扣之间是什么关系？
2026-08-23 18:00:27
219
原创 低功耗 AI 终端架构设计模式：间歇计算、事件唤醒与推理流水线的三位一体方案
低功耗 AI 终端的设计，本质上是在极不稳定的能量供给上，稳定地推进一条可中断的计算流水线。事件唤醒负责「对的时间」，间歇计算负责「省的策略」，推理流水线负责「算的进度」，三者缺一不可。先实现「事件唤醒 + 深度睡眠」，把待机功耗降下来；再引入流水线阶段的检查点机制，让推理可暂停、可恢复；最后加入能量预算驱动的动态降级，在能量紧张时优雅地降档；针对具体业务调优唤醒阈值、检查点粒度和模型早退策略。这套三位一体方案并非某种特定芯片或框架的专属能力，而是一组可复用的架构模式。
2026-08-23 17:19:27
329
原创 AI 编程进入监督时代：从补全代码到管理执行系统
目标：重构认证模块的 token 刷新逻辑范围：只允许修改 src/auth 目录约束：不得修改数据库结构，不得引入新依赖验收：运行 yarn test auth 全部通过边界越清晰，监督成本越低。模糊的需求往往会导致 Agent 做出大量「看似相关实则偏离」的修改。AI 编程工具的演进，从补全代码到执行任务，本质上是在把越来越多的「动作权」交给模型。每一次授权，都意味着 AI 的产出从「建议」变成了「事实」。
2026-08-21 21:06:40
366
原创 AI Agent 中的 Skills 深度解析：从概念原理到工程实践
在 AI Agent 语境下，Skill 可以理解为：一个带语义描述、输入/输出约束、可执行逻辑的「能力单元」。Agent 根据用户意图，自主选择并调用合适的 Skill 完成任务。描述（Description）：告诉模型「这个技能是干什么的、什么时候用」。Schema（输入/输出契约）：定义调用时需要哪些参数、参数类型是什么、是否必填。实现（Implementation）：真正执行逻辑的函数或服务。"description": "查询指定城市未来几天的天气，返回温度、天气状况和风力。",
2026-08-21 21:03:38
423
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人