【收藏必看】AI Agent优化全攻略:从零构建高效稳定智能体

MIUI升级后录音神秘消失?别慌!手把手教你从Android/data目录找回宝贵录音文件 本文详细解析了MIUI升级后录音文件消失的原因,并提供了从Android/data目录找回录音文件的实用指南。通过技术分析和步骤演示,帮助小米手机用户解决录音文件丢失问题,同时分享预防措施和高级恢复方案,确保重要录音数据安全。 阅读详情

随着人工智能技术的飞速发展,AI Agent 在处理复杂任务方面的能力日益增强。然而,要充分发挥其潜力,优化是不可或缺的一环。本文将综合分析多篇前沿文章,提炼出 AI Agent 中行之有效的优化手段,涵盖Prompt 工程、上下文工程、工具设计、控制循环与架构以及评估与适应等方面,旨在为构建更高效、更稳定的智能体提供指导。

1. Prompt 工程:塑造智能体的“思维模式”

Prompt 工程是引导 LLM 行为的关键技术,尤其是在构建复杂 Agent 时。

1.1 系统 Prompt 优化
  • • 清晰简洁的语言:系统 Prompt 应该非常清晰,使用简单、直接的语言,以“恰当的高度”呈现思想,既要足够具体以有效指导行为,又要足够灵活以提供强大的启发式方法 [4]。

    在光谱的一端,我们看到脆弱的 if-else 硬编码提示,在另一端,我们看到过于笼统或错误地假设共享上下文的提示。

  • • 结构化 Prompt:建议将 Prompt 组织成不同的部分(如 <background_information>、<instructions>、## Tool guidance、## Output description 等),并使用 XML 标签或 Markdown 标题来划分这些部分 [4]。

  • • 尽量用最少的话术列出对模型的所有预期:最佳做法是先用可用的最佳模型测试初版包含所有预期的最少话术的 prompt,以查看其在任务上的表现,然后根据初始测试中发现的失效模式添加清晰的指令和示例来改进性能。

  • • 详细的启发式规则和示例:Prompt 中应包含详细的启发式规则、示例和重要提醒,例如使用 <good-example> 和 <bad-example> 来明确区分可取和不可取的行为路径 [3]。

  • • 团队通常会往提示中塞满各种边缘情况,试图阐明 LLM 在特定任务中应遵循的每一种可能规则。不推荐这样做。相反,建议提供一组多样化、规范化的示例,这些示例能够有效地展现代理的预期行为。对于 LLM 来说,示例就是胜“千言万语”的“图片”(the “pictures” worth a thousand words)。

  • • 用户上下文和偏好管理:可以使用 claude.md 或类似文件来传递无法从代码库推断的上下文和严格偏好,例如强制 LLM 跳过某些文件夹或使用特定库 [3]。

1.2 LLM 搜索优于 RAG 搜索

在某些场景下,直接利用 LLM 的代码理解能力进行搜索可能优于传统的 RAG(Retrieval-Augmented Generation)方法 [3]:

  • • 利用 LLM 理解代码:Claude Code 通过复杂的 ripgrep、jq 和 find 命令搜索代码库,利用 LLM 对代码的深刻理解,使用复杂的正则表达式查找相关代码块,甚至使用小型模型读取整个文件。这种方法避免了 RAG 引入的新的(隐藏的)故障模式 [3]。
1.3 可控性与行为引导

有效引导 AI Agent 的行为,使其符合预期,是 Prompt 工程的重要组成部分 [3]:

  • • 明确的语气和风格控制:在系统 Prompt 中明确定义 Agent 的语气、风格和主动性,并提供具体的指令和示例。这有助于 Agent 在交互中展现出一致且合宜的行为 [3]。

  • • 示例:避免不必要的前言或后语,除非用户明确要求;如果无法提供帮助,不要解释原因或可能导致的后果,以免显得说教;除非用户明确要求,否则避免使用表情符号 [3]。

  • • 强调式指令:使用“IMPORTANT”、“VERY IMPORTANT”、“NEVER”和“ALWAYS”等强调词来引导模型避免特定行为或强制执行关键规则。这在模型尚未完全可控时尤为重要 [3]。

  • • 示例:IMPORTANT: DO NOT ADD ***ANY*** COMMENTS unless asked;VERY IMPORTANT: You MUST avoid using search commands like find and grep. Instead use Grep, Glob, or Task to search. [3]。

  • • 编写清晰的决策算法:识别 LLM 需要执行的最重要任务,并为其编写清晰的算法。通过角色扮演 LLM 并遍历示例,明确所有决策点,并以流程图的形式进行结构化。这有助于 LLM 遵循指令,避免“一锅粥”式的 Do’s and Don’ts 列表,从而减少冲突和提高可维护性 [3]。

  • • Claude Code 的系统 Prompt 中,“Task Management”、“Doing Tasks”和“Tool Usage Policy”等部分清晰地阐述了要遵循的算法,并包含大量启发式规则和各种场景示例 [3]。

2 上下文工程:精细化管理智能体的“记忆”

上下文是 AI Agent 进行决策和行动的基础,对其进行高效管理是优化的核心。上下文工程超越了传统的 Prompt 工程,它关注在 LLM 推理过程中如何策划和维护最佳的 token 集合,以持续实现预期结果 [4]。

2.1 KV-cache 命中率优化

KV-cache(Key-Value Cache)的有效利用对提高 LLM 的运行效率至关重要。优化策略包括:

  • • 保持 Prompt 前缀稳定:LLM 的自回归特性意味着即使是单个 token 的差异也会使缓存失效。避免在系统 Prompt 开头包含精确到秒的时间戳等易变信息 [1]。
  • • 上下文追加模式:避免修改历史动作或观察结果,确保序列化过程的确定性,以维持缓存的有效性 [1]。
  • • 明确标记缓存断点:对于不支持自动增量前缀缓存的模型或推理框架,需要手动插入缓存断点,并确保断点包含系统 Prompt 的末尾 [1]。

2.2 上下文长度管理与外部化记忆

现代 LLM 拥有巨大的上下文窗口,但过长的上下文仍可能导致性能下降和成本增加。上下文腐烂(Context Rot)现象表明,随着上下文长度的增加,模型回忆信息的能力会降低 [4]。因此,有效的上下文管理至关重要:

  • • 文件系统作为外部化记忆:将文件系统视为无限大小、持久化的外部记忆,允许模型按需读写文件,将其作为结构化的外部化记忆使用 [1]。
  • • 可恢复的压缩策略:在缩短上下文长度时,采用可恢复的压缩策略,例如仅保留网页 URL 而非完整内容,或保留文档路径而非完整文档内容,从而在不永久丢失信息的情况下减少上下文 [1]。

2.3 注意力机制操纵

Manus 通过持续重写待办事项列表,把目标复述到上下文末尾。这样能让全局计划处于模型当前关注范围内,避免出现 “中途迷失” 的问题,减少目标不一致的状况。实际上,这是借助自然语言将自身关注点引向任务目标,而无需对架构进行特殊改动。

  • • 动态重写待办事项列表:通过不断更新和重写待办事项列表(todo list),将全局计划推入模型的近期注意力范围,减少目标偏差 [1, 3]。

2.4 上下文检索与 Agentic 搜索

Agentic 搜索强调 Agent 自主地检索和加载上下文,而非预先处理所有相关数据 [4]:

  • • “即时”上下文(“just in time”)策略:Agent 维护轻量级标识符(如文件路径、存储的查询、网页链接等),并使用工具在运行时动态加载数据到上下文中。例如,Claude Code 使用此方法对大型数据库进行复杂数据分析,模型可以编写有针对性的查询、存储结果,并利用 Bash 命令(如 head 和 tail)分析大量数据,而无需将完整数据对象加载到上下文中 [4]。
  • • 元数据利用:引用(如文件路径)的元数据提供了有效细化行为的机制。文件系统中的文件夹层级、命名约定和时间戳等都提供了重要的信号,帮助 Agent 理解何时以及如何利用信息 [4]。
  • • 渐进式信息披露:允许 Agent 通过探索逐步发现相关上下文。每次交互都会产生上下文,为下一个决策提供信息。Agent 可以逐层构建理解,只在工作记忆中保留必要的信息,并利用笔记策略进行额外持久化 [4]。
  • • 混合策略:在某些情况下,最有效的 Agent 可能会采用混合策略,预先检索部分数据以提高速度,并根据需要自主探索。例如,Claude Code 预先将 CLAUDE.md 文件直接放入上下文中,同时允许通过 glob 和 grep 等原语即时导航环境和检索文件 [4]。
2.5 长周期任务的上下文工程

对于如大型代码库迁移或综合研究项目等需要跨越数十分钟甚至数小时连续工作的长周期任务 (long-horizon tasks),Agent 必须在超出模型上下文窗口限制的情况下保持连贯性。仅仅等待更大的上下文窗口可能并非长久之计,因为所有尺寸的上下文窗口都可能受到信息污染和相关性问题的困扰。因此,直接解决这些限制的专门技术至关重要 [4]。

与撰写prompt这一离散任务不同,上下文工程是迭代性的,每当决定向模型传递什么内容时,都会进行筛选阶段。

2.5.1 上下文压缩 (Compaction)

上下文压缩是在对话接近上下文窗口限制时,通过对内容进行总结,并用该总结重新启动一个新上下文窗口的做法。这是提高长期连贯性的首要手段。其核心在于以高保真度提炼上下文内容,使 Agent 能够以最小的性能衰减继续执行任务 [4]。

  • • 实现方式:在 Claude Code 中,这一过程通过将消息历史传递给模型以总结和压缩最关键的细节来实现。模型会保留架构决策、未解决的错误和实现细节,同时丢弃冗余的工具输出或消息。随后,Agent 可以带着这个压缩后的上下文以及最近访问的五个文件继续工作,从而在不受上下文窗口限制的情况下保持工作的连续性 [4]。
  • • 优化的艺术:压缩的难点在于精确选择保留与丢弃的内容。过于激进的压缩可能导致丢失那些重要性在后期才显现的微妙但关键的上下文。因此,在实现压缩系统时,建议在复杂的 Agent 轨迹上仔细调整 Prompt。应从最大化召回率开始,确保压缩 Prompt 捕获到轨迹中的每一条相关信息,然后通过消除多余内容来迭代提高其精确度 [4]。
  • • 轻量级压缩:一种最安全、最轻量级的压缩形式是工具结果清理。一旦某个工具在消息历史的深处被调用过,Agent 通常不再需要看到其原始结果。清除这些结果可以有效减少上下文占用 [4]。

2.5.2 结构化笔记 (Structured Note-taking)

结构化笔记,或称智能体记忆 (agentic memory),是一种让 Agent 定期将笔记持久化到上下文窗口之外的内存中的技术。这些笔记可以在后续的某个时间点被重新拉取到上下文中。这种策略以最小的开销提供了持久化记忆 [4]。

  • • 简单模式:像 Claude Code 创建待办事项列表,或让自定义 Agent 维护一个 NOTES.md 文件一样,这种简单的模式允许 Agent 跟踪复杂任务的进展,保持那些在数十次工具调用中可能丢失的关键上下文和依赖关系 [4]。

2.5.3 子智能体架构 (Sub-agent Architectures)

子智能体架构为克服上下文限制提供了另一种途径。它不是让单个 Agent 试图维护整个项目的状态,而是让专门的子智能体在干净的上下文窗口中处理重点任务。主智能体负责协调一个高层计划,而子智能体则执行深入的技术工作或使用工具查找相关信息。每个子智能体可能会进行广泛的探索,使用数万甚至更多的 token,但最终只返回一个浓缩、精炼的工作摘要(通常为1000-2000个 token)[4]。

  • • 关注点分离:这种方法实现了清晰的关注点分离——详细的搜索上下文被隔离在子智能体内部,而主导的 Agent 则专注于综合和分析结果。这种模式在处理复杂研究任务时,相比单 Agent 系统显示出显著的性能提升 [4]。

这三种方法各有侧重:上下文压缩适合需要大量来回对话的任务;结构化笔记在具有明确里程碑的迭代开发中表现出色;而子智能体架构则在并行探索能带来巨大收益的复杂研究和分析中大放异彩 [4]。

3. 工具设计与管理:为智能体打造高效“武器库”

工具是 AI Agent 与环境交互的关键接口。工具的设计质量直接影响 Agent 的效能 [2]。

3.1 工具设计原则
  • • 选择合适的工具:审慎决定哪些工具需要实现,哪些可以省略 [2]。

  • • 建议针对特定的高价值工作流程,精心打造一些适用的工具,使其与评估任务相匹配,再以此为基础逐步拓展。就通讯录场景而言,可以考虑实现 search_contacts 或 message_contact 工具,而非 list_contacts 工具。

  • • 工具可以整合各类功能,在内部处理多个可能离散的操作(或 API 调用)。例如,工具可以利用相关元数据丰富回复内容,或者通过一次工具调用完成频繁串联的多步骤任务。

  • • 一些示例:

  • • 相较于分别实现 list_users、list_events 和 create_event 工具,不妨考虑实现一个 schedule_event 工具,它既能查找可用时间,又能安排活动。

  • • 与其实现 read_logs 工具,不如实现 search_logs 工具,该工具仅返回相关日志行及部分周边上下文。

  • • 不要分别实现 get_customer_by_id、list_transactions 和 list_notes 工具,而是实现一个 get_customer_context 工具,它能一次性整合客户所有近期相关信息。

  • • 要确保每个构建的工具都有明确且独特的用途。工具应让智能体像人类在拥有相同底层资源时那样,对任务进行细分并解决,同时减少因中间输出而消耗的上下文。

  • • 工具太多或其功能重叠,可能会干扰智能体采用高效策略。因此,认真且有针对性地规划要构建(或不构建)的工具,会带来显著成效。

  • • 工具命名空间:为工具定义清晰的功能边界,避免混淆 [2]。

  • • 通过设置命名空间(把相关工具归到相同前缀下),有助于在众多工具间明确界限,MCP 客户端有时会默认这么做。比如,按照服务(像 asana_search、jira_search)和资源(例如 asana_projects_search、asana_users_search)对工具进行命名空间划分,能帮助智能体在合适的时机选择合适的工具。

  • • 选择基于前缀或后缀的命名空间方式,会对工具使用评估产生不可忽视的影响。而且不同的 LLM 受影响的情况各异,所以建议根据自身评估结果来选择命名方案。

  • • 智能体可能会出现调用工具错误、用错参数调用正确工具、调用工具数量不足,或者错误处理工具回复等问题。实现工具时有针对性地设置它们的名称体现任务的自然区分,这样既能减少加载到智能体上下文中的工具数量和描述信息,还能把智能体计算的工作从上下文转移到工具调用本身,从而降低智能体犯错的整体风险。

  • • 返回有意义的上下文:工具的输出应向 Agent 提供简洁且有意义的上下文信息 [2]。

  • • 在实现工具时,要注意只向智能体返回关键信息。应更注重上下文的相关性,而非追求灵活性,同时避免使用底层技术标识符(比如 uuid、256px_image_url、mime_type 等)。像 name、image_url 和 file_type 这类字段,更有助于直接引导智能体开展后续行动并做出回复。

  • • 相较于晦涩的标识符,智能体处理自然语言命名、术语或标识符时,往往更加得心应手。仅需将随意的字母数字 UUID 转换为语义更清晰、更易解读的表述(甚至只是采用从 0 开始编号的 ID 方案),就能减少幻觉现象,显著提升 Claude 在检索任务中的精准度。

  • • 在某些情形下,若只是为了触发后续工具调用(例如 search_user (name=’jane’) → send_message (id=12345) ),智能体可能既需要与自然语言输出交互,也需要与技术标识符输出交互的灵活性。可以在工具中设置一个简单的 response_format 枚举参数,让智能体能够选择工具返回 “concise” 还是 “detailed” 的回复(如下所示)。```plaintext
    enum ResponseFormat { DETAILED = “detailed”, CONCISE = “concise”}

    
    
  • • 甚至工具的回复结构,如 XML、JSON 或 Markdown 等,都会对评估性能产生影响,不存在一种适用于所有情况的解决方案。最佳回复结构会因任务和智能体的不同而差异巨大。建议根据自身评估情况,选择最合适的回复结构。

  • • 优化工具回复的 token 效率:减少工具回复的 token 数量,以降低成本并提高处理速度 [2]。

  • • Prompt Engineering 工具描述和规范:精心设计工具的描述和规范,使其更易于 Agent 理解和使用 [2]。

  • • 编写工具描述和规格时,不妨设想一下如何给团队新成员介绍该工具。思考那些可能默认提及的上下文信息,比如专业的查询格式、特定术语的定义、底层资源间的关系等,并将它们清晰呈现出来。要通过清楚描述(并借助严格的数据模型加以规范)预期的输入与输出,避免出现模糊不清的情况。尤其要注意,输入参数的命名务必清晰准确,比如别用 user 这样的参数名,改用 user_id 会更好。

  • • 利用数据集评估效果,能更确切地衡量提示工程带来的效果。哪怕只是对工具描述做些细微调整,都可能大幅提升性能。

3.2 动态工具选择与约束

避免在迭代过程中动态添加或移除工具,因为这会影响 KV-cache 并可能导致模型混淆 [1]。更优的策略是:

  • • 上下文感知的状态机:“状态机” 可理解为 Agent 的 “工具权限开关系统”,它会预先定义不同 “状态”(比如 “浏览网页”“处理文件”“生成报告” 等任务场景),每个状态对应一套 “允许使用的工具列表”。而 “上下文感知” 则是让状态机能实时判断当前处于哪个场景(比如检测到用户需求是 “查天气”,就判定为 “信息检索状态”),进而自动激活对应状态下的工具权限。通过状态机管理工具可用性,例如通过掩码 token logits 来约束动作空间,从而在不修改工具定义的情况下限制 Agent 的选择 [1]。
  • • 一致的动作名称前缀:设计具有一致前缀的动作名称(例如,所有浏览器工具以 browser_ 开头),以便于在特定状态下对工具进行分组约束 [1]。

在实际应用中,大多数模型供应商和推理框架都支持某种形式的回复预填充(response prefill)功能,借助该功能,无需修改工具定义就能限制动作空间。函数调用一般有三种模式(这里以 NousResearch 的 Hermes 格式为例):

  • • 自动(Auto):模型可自行决定是否调用函数。具体通过仅预填充回复前缀来实现:<|im_start|>assistant
  • • 必需(Required):模型必须调用函数,但具体调用选择不受约束。通过预填充到工具调用令牌来实现:<|im_start|>assistant<tool_call>
  • • 指定(Specified):模型必须从特定的函数子集中选择调用。通过预填充到函数名开头来实现:<|im_start|>assistant<tool_call>{"name": “browser_

基于此,可以通过直接屏蔽 token logits 来限制动作选择。Manus 还特意将动作名称设计成具有统一前缀,例如所有与浏览器相关的工具均以 browser_ 开头,命令行工具则以 shell_ 开头。这样一来,无需借助有状态的 logits 处理器,就能轻松保证智能体在特定状态下仅从某一组工具中做出选择。

3.3 工具分层

结合使用不同抽象层次的工具,可以提高 Agent 的灵活性和效率 [3]:

  • • 低、中、高层工具结合:例如,低层工具(Bash、Read、Write)、中层工具(Edit、Grep、Glob)和高层工具(Task、WebFetch)。对于频繁使用的操作,可以封装为单独的工具,同时保留通用命令以处理特殊情况 [3]。
  • • 详细的工具描述:工具描述应包含详细的 Prompt 和大量示例,系统 Prompt 应包含“何时使用工具”或如何在功能重叠的工具之间进行选择的信息 [3]。
3.4 Agent Skills:构建可组合、可扩展的专业能力

Agent Skills 是 Anthropic 刚发布的一种通过结构化文件和文件夹来构建专业化 Agent 的新方法,它将指令、脚本和资源组织起来,使 Agent 能够动态发现和加载这些能力,从而在特定任务中表现更优 [5]。

一个Skill是一个包含 SKILL.md 文件的目录,该文件包含组织好的指令、脚本和资源文件夹,为智能体提供额外的能力。

  • • 核心理念:Agent Skills 就像为新员工准备的入职指南,它通过将专业知识打包成可组合的资源,将通用 Agent 转化为满足特定需求的专业 Agent [5]。
  • • 渐进式披露(progressive disclosure):一个 Skill 是一个包含 SKILL.md 文件的目录。SKILL.md 必须以 YAML Frontmatter 开头,包含名称和描述等元数据。这些元数据会在 Agent 启动时预加载到系统 Prompt 中,提供第一层级的渐进式披露。如果 Agent 认为该 Skill 与当前任务相关,它会加载完整的 SKILL.md 到上下文中,这是第二层披露。对于更复杂的 Skill,可以捆绑额外的文件(如 reference.md 或 forms.md),Agent 可以根据需要进一步导航和发现这些文件,实现更深层次的渐进式信息披露 [5]。

可以将更多上下文(通过附加文件)整合到技能中,然后根据系统提示由 Claude 触发。

  • • 代码执行能力:Agent Skills 可以包含代码,供 Agent 根据任务性质作为工具执行。大型语言模型在许多任务中表现出色,但某些操作(如排序列表)更适合传统的代码执行,因为代码能提供更高的效率和确定性。例如,一个 PDF Skill 可以包含一个预先编写的 Python 脚本,用于读取 PDF 并提取所有表单字段,Agent 无需将脚本或 PDF 加载到上下文中即可运行,确保了工作流程的一致性和可重复性 [5]。

技能还可以包含代码,Claude 根据任务性质自行决定这些代码是否作为工具被执行。

  • • 开发与评估最佳实践:

  • • 从评估开始:通过在代表性任务上运行 Agent,识别其能力差距,然后逐步构建 Skill 来弥补这些不足 [5]。

  • • 结构化以适应规模:当 SKILL.md 文件变得难以管理时,将其内容拆分为单独的文件。如果某些上下文是互斥的或很少一起使用,分开存放可以减少 token 使用。代码既可以作为可执行工具,也可以作为文档,需要明确 Agent 是直接运行脚本还是将其作为参考加载到上下文中 [5]。

  • • 从 Agent 视角思考:监控 Agent 在实际场景中如何使用 Skill,并根据观察结果进行迭代。特别关注 Skill 的名称和描述,因为 Agent 会根据这些信息决定是否触发该 Skill [5]。

  • • 与 Claude 迭代:在与 Claude 共同完成任务时,让其捕获成功的路径和常见的错误,并将其转化为 Skill 中可重用的上下文和代码。如果 Agent 在使用 Skill 时偏离轨道,让其自我反思问题所在,这有助于发现 Agent 真正需要的上下文 [5]。

4. 控制循环与架构:构建稳定高效的智能体骨架

Agent 的控制循环和底层架构设计对其稳定性和效率至关重要。

4.1 保持一个主循环
  • • 简化架构以提高可调试性:优先考虑可调试性,而不是复杂的、多智能体的系统。例如,Claude Code 采用一个主线程,通过周期性地使用不同类型的 Prompt 来总结 git 历史、合并消息历史或生成 UX 元素。对于分层任务,它通过生成一个不能再生成子智能体的子智能体来处理,其结果作为“工具回复”添加到主消息历史中 [3]。
4.2 使用小型模型
  • • 成本效益与效率:对于读取大文件、解析网页、处理 git 历史和总结长对话等操作,超过 50% 的重要 LLM 调用都使用 claude-3-5-haiku 等小型模型。小型模型成本更低,可以大量使用,从而提高整体效率 [3]。

5. 评估与适应:持续改进智能体性能

Agent 的持续改进离不开有效的评估和适应机制。

5.1 原型构建与综合评估
  • • 快速原型与本地测试:快速构建工具原型并在本地测试,尤其是在使用 Claude Code 编写工具时,提供详细的文档(如 LLM-friendly 的 llms.txt 文件) [2]。
  • • 生成评估任务:创建大量基于真实世界用例的评估任务,避免过于简单或肤浅的“沙盒”环境。强评估任务可能需要多次工具调用 [2]。
  • • 系统 Prompt 指导:在评估 Agent 的系统 Prompt 中,指导 Agent 不仅输出结构化的回复块,还要输出推理和反馈块(在工具调用和回复块之前),以触发思维链(CoT)行为 [2]。
  • • 避免过度指定或过拟合:允许 Agent 有多种解决任务的有效路径,避免过度指定或过拟合策略 [2]。
5.2 错误恢复与适应

智能体难免会犯错,这并非缺陷,而是客观存在的情况。语言模型可能出现幻觉,环境可能返回错误信息,外部工具也可能运行异常,各种意外的边缘情况随时都可能出现。在多步骤任务中,失败并非个别现象,而是任务循环中的常见环节。

根据经验,改进智能体行为的一个极为有效的方法,实则相当简单:把错误的步骤保留在上下文当中。当模型看到某个动作失败,以及随之产生的观察结果或堆栈跟踪信息时,会不自觉地更新其内部认知。这会使模型在后续决策中,减少选择类似动作的可能性,从而降低重复犯错的概率。实际上,错误恢复能力是衡量智能体是否具备真正智能行为的重要指标之一。

  • • 不隐藏错误:将失败的动作和观察结果(如堆栈跟踪)保留在上下文中,让模型通过观察错误隐式更新其内部信念,从而减少重复犯错的可能性。错误恢复是衡量真正 Agentic 行为的关键指标 [1]。

5.3 多样性与泛化

少样本提示是改善大语言模型(LLM)输出的常用方法,但在智能体系统里,它可能会以不易察觉的方式带来负面影响。

语言模型很擅长模仿,会依照上下文中的行为模式进行输出。要是上下文里有大量相似的动作-观察(action-observation)组合,模型就容易遵循这种模式。

在那些需要重复做决策或行动的任务中,这种情况很可能引发问题。比如说,用 Manus 去批量审阅 20 份简历时,智能体经常会形成一种惯性,只是因为在上下文中看到了类似行为,就重复相似的操作。这就可能导致偏离目标、过度泛化,甚至产生幻觉。

要解决这个问题,关键在于增加多样性。Manus 通过在动作和观察中引入少量的结构化变动,像是采用不同的序列化模板、变换措辞,或者在顺序与格式上制造些微干扰。这种适度的随机性能够打破固有模式,调整模型关注的重点。也就是说,别让少样本提示把自己限制住,上下文越单一,智能体就越容易出问题。

  • • 避免过度模仿:在 few-shot prompting 中,避免过度模仿导致模型陷入重复模式。通过引入结构化的多样性(如不同的序列化模板、替代措辞、格式噪声)来打破模式,提高模型的泛化能力和鲁棒性 [1]。

结论

AI Agent 的优化是一个多维度、系统性的工程。从巧妙的 Prompt 工程倒精细的上下文管理,从高效的工具设计到稳定的控制循环,再到持续的评估与适应,每一个环节都对 Agent 的最终性能产生深远影响。通过采纳这些优化手段,我们可以构建出更智能、更鲁棒、更具适应性的 AI Agent,从而在现实世界中解决更复杂的挑战。

普通人如何抓住AI大模型的风口?

领取方式在文末

为什么要学习大模型?

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展,相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业:
在这里插入图片描述

人工智能大潮已来,不加入就可能被淘汰。如果你是技术人,尤其是互联网从业者,现在就开始学习AI大模型技术,真的是给你的人生一个重要建议!

最后

只要你真心想学习AI大模型技术,这份精心整理的学习资料我愿意无偿分享给你,但是想学技术去乱搞的人别来找我!

在当前这个人工智能高速发展的时代,AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长,真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料,能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来,我们不断打磨课程体系与技术内容,在细节上精益求精,同时在技术层面也新增了许多前沿且实用的内容,力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径,能够帮助你从零入门,进阶到实战,真正掌握AI时代的核心技能!

01 教学内容

图片

  • 从零到精通完整闭环:【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块,内容比传统教材更贴近企业实战!

  • 大量真实项目案例: 带你亲自上手搞数据清洗、模型调优这些硬核操作,把课本知识变成真本事‌!

02适学人群

应届毕业生‌: 无工作经验但想要系统学习AI大模型技术,期待通过实战项目掌握核心技术。

零基础转型‌: 非技术背景但关注AI应用场景,计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈: 传统开发者(Java/前端等)学习Transformer架构与LangChain框架,向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
在这里插入图片描述

本教程比较珍贵,仅限大家自行学习,不要传播!更严禁商用!

03 入门到进阶学习路线图

大模型学习路线图,整体分为5个大的阶段:
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程(涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向)

图片

新手必备的大模型学习PDF书单来了!全是硬核知识,帮你少走弯路(不吹牛,真有用)
图片

05 行业报告+白皮书合集

收集70+报告与白皮书,了解行业最新动态!
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结(谁学技术不是为了赚$呢,找个好的岗位很重要)图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

在这里插入图片描述

游戏开发中的CV:实时动作捕捉与虚拟交互 游戏开发中的CV:实时动作捕捉与虚拟交互​ ,人工智能,计算机视觉,大模型,AI,在当今游戏产业中,玩家对游戏体验的要求日益提高,追求更加真实、沉浸的交互感受。计算机视觉(Computer Vision,CV)技术的飞速发展,为游戏开发带来了革命性的突破,其中实时动作捕捉与虚拟交互技术更是成为提升游戏品质的核心驱动力。 阅读详情

相关推荐

基于Codex平台构建AI技能:抖音爆款分析与带货视频生成实战

这次我们来看一个基于 Codex 平台构建 AI 技能(Skill)的实战项目。核心目标很直接:利用 AI 能力,自动化分析抖音平台的爆款内容,并生成可用于带货的视频。这听起来像是内容创作领域的“自动化流水线”,它解决的核心痛点是:人工分析爆款、撰写脚本、制作视频的效率瓶颈。 对于技术开发者和内容创作者而言,这个项目的价值在于将“内容策略分析”和“视频内容生成”两个环节通过 Codex 的 Skill 机制串联起来,形成一个可定制、可批量执行的自动化工作流。我们最关心的几个问题包括:这个方案的技术门槛高不高

weixin_29054399的博客 488

【珍藏指南】AI Agent性能优化完全指南:从入门到精通的实用技巧

本文系统介绍了AI Agent优化的五大核心技术:Prompt工程(引导LLM行为)、上下文工程(高效管理上下文与记忆)、工具设计与管理(构建高效接口)、控制循环与架构(确保系统稳定性)以及评估与适应(持续改进性能)。文章从多维度提供具体优化策略,帮助开发者构建更高效、更稳定的AI Agent系统,应对复杂任务挑战。Prompt 工程是引导 LLM 行为的关键技术,尤其是在构建复杂 Agent 时。•。

youmaob的博客 870

从零到一:龙芯杯参赛全攻略(含北理工学长经验PDF、B站培训视频与开源代码合集)

本文详细介绍了龙芯杯全国大学生计算机系统能力大赛的参赛全攻略,包括资源整合、技能树构建、团队协作和避坑指南。提供北理工学长经验PDF、B站培训视频与开源代码合集,帮助参赛者从零基础到站上领奖台。重点解析如何高效获取优质资源、避开新手常见陷阱及构建可落地的学习路径,助力普通学生系统学习CPU设计。

weixin_26802933的博客 542

AI Agent 性能优化:从 Token 浪费到精准推理的工程调优

"""上下文压缩器,滑动窗口 + 摘要压缩"""self,window_size: int = 5, # 保留最近 N 轮完整对话summary_max_tokens: int = 200, # 摘要最大 Token 数):self.summary: str = "" # 早期对话的压缩摘要"""压缩对话历史:1. 早期对话(超出窗口部分)→ 生成摘要2. 近期对话(窗口内)→ 保留完整内容3. 摘要作为系统消息插入上下文头部"""# 分割:早期对话 vs 近期对话。

好代码自己会说话,烂代码才需要注释来圆谎 4753

S32K144 ADC硬件触发实战:PDB与TRGMUX配置避坑指南

本文深入解析了S32K144微控制器中ADC硬件触发的两种核心方案:PDB与TRGMUX。通过对比其架构差异、详细配置流程及常见问题排查,提供了从寄存器操作到DMA联动的完整优化指南,旨在帮助开发者解决多通道采样时序不稳、CPU负载过高等实际难题,实现高效稳定的数据采集。

weixin_29168153的博客 445

计量经济学tempdisagg的python库:年度时序变月度

计量经济学tempdisagg的python库:年度时序变月度

素质云笔记 1535

AI Agent的概念和应用及调优

AI Agent 的应用范围非常广泛,从自动化任务到决策支持,再到自主驾驶和娱乐领域都有其身影。通过从数据、模型、环境交互、性能监控和用户体验等多个层面进行调优,可以显著提升 AI Agent 的性能和可靠性。

雨落 1648

AD9361跳频系统优化:Fast Lock功能实战配置指南(含Profile寄存器详解)

本文详细解析了AD9361跳频系统中Fast Lock功能的实战配置方法,包括Profile寄存器的深度解析与优化策略。通过预校准和快速调用机制,显著提升频率切换速度至7-15微秒,适用于TDD跳频系统。文章还提供了查找表选择、硬件控制优化和性能验证的实用指南,帮助开发者解决实际工程中的常见问题。

weixin_33725722的博客 209

AI Agent 优化实战:大模型开发者的核心指南,建议收藏

本文全面解析AI Agent优化的五大核心维度:Prompt工程、上下文工程、工具设计、控制循环与评估适应。通过实战经验,详细讲解了如何通过精细的提示词设计、高效的记忆管理、强大的工具构建及持续的反馈机制,提升智能体的稳定性与效率,是开发者构建高效智能体的必读指南。Prompt 工程是引导 LLM 行为的关键技术,尤其是在构建复杂 Agent 时。claude.mdripgrepjqfind上下文是 AI Agent 进行决策和行动的基础,对其进行高效管理是优化的核心。

优快云_224022的博客 717

33、密码学中的选择密文攻击与Cramer - Shoup加密方案

本文详细介绍了密码学中选择密文攻击的背景及其对Cramer-Shoup公钥加密方案的影响。该方案在决策Diffie-Hellman假设和抗碰撞哈希函数的基础上,能够有效抵御自适应选择密文攻击,并且其安全性无需依赖随机预言机模型。文章还分析了Cramer-Shoup方案的设计原理、加密与解密过程,以及其在标准假设下的安全性证明方法。此外,通过一系列相关练习,帮助读者进一步理解密码学概念如密文不可区分性、ElGamal加密、Goldwasser-Micali方案等。最后,文章展望了密码学的未来发展趋势,包括量子

vscode6remote的博客 100

知识图谱大模型系列之 12 LLM 知识图谱构建器:从零到 GraphRAG 使用 LLM 知识图谱生成器在 GenAI 应用中提取和使用知识图谱(教程含源码)

为了更深入地了解 LLM 知识图谱构建器,GitHub 存储库提供了大量信息,包括源代码和文档。此外,我们的文档提供了详细的入门指南,而GenAI 生态系统则提供了有关可用更广泛工具和应用程序的进一步见解。

iCloudEnd的博客 2039

2026全网最热Claude Skills工具箱,GitHub上最受欢迎的7大Skills开源AI技能库

本文系统梳理Claude生态7大高价值Skills开源工具,涵盖Anthropic官方核心组件与GitHub社区热门项目。重点解析:①Skill Creator元技能开发框架(零代码定制);②Superpowers复杂任务拆解引擎(27k+ Stars);③Code Review自动化PR审查流程;④Agent-Skills-for-Context-Engineering生产级上下文优化方案(6k+ Stars);⑤Awesome-Claude-Skills全场景工具集(60+使用场景);⑥Skill

猫头虎技术团队:授渔优于赠鱼,兴趣引领智慧,探索之乐尤显珍贵。商务合作+:Libin9iOak ,万粉变现+:优快云WF,猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务!全网搜:猫头虎技术团队,点击文章底部名片或直接私信我一切皆可谈,快找虎哥! 1万+

继电器管理策略(二)

介绍了电池管理系统中的继电器管理,包含控制和诊断

manjixingkong1234的专栏 419

【收藏必看】AI Agent核心组件深度解析:从记忆、工具到规划,构建智能体全攻略

AI Agent越来越为人们熟知,我们熟悉的那种对话式大模型,正在慢慢淡出视野。但这些Agent所包含的复杂功能,往往需要许多组件模块协同工作。问题来了,什么是Agent?传统意义上,LLM是一个概率预测模型,用于预测下一个token产生的概率。通过连续对tokens进行采样,我们就可以模拟与LLM进行对话,使用LLM辅助查询更多信息,为我们提供更广泛的答案。然而,任何LLM都会在我们对话的过程中,暴露出它的缺点:没有记忆能力,记不住上一轮对话。

python12345_的博客 703

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

【收藏必看】AI Agent技术全景图:从定义到实战,大模型智能体开发全攻略

AI Agent是基于大语言模型构建的智能体系统,具备自主决策、任务执行和工具调用能力,形成"感知-决策-行动"闭环。其技术架构包含模型层、存储层、工具层和应用层,已从单一LLM演进为包含规划、工具、记忆、行动四大组件的完整体系。AI Agent正从技术突破走向规模落地,将在金融、医疗、法律等领域深度渗透,重塑企业竞争模式,推动人机协作新范式。

2401_85373691的博客 1429

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

【必收藏】AI Agent路由全攻略:四大范式与性能实战指南

本文系统介绍了AI Agent路由的四大范式(LLM、嵌入/语义、规则、ML模型)及其性能权衡,涵盖五种架构模式与工程实践。通过分析延迟、成本、准确性等关键指标,指导工程师根据业务需求选择最优路由策略,并展望了自动化、多模态等未来趋势,是构建高效AI Agent系统的必收藏指南。

Gaga246的博客 1535

【干货收藏】研究代理(Agent)构建全攻略:打造高效AI智能体的技术与经验分享

研究代理(Agent)正成为AI重要应用,本文分享了构建先进研究代理的技术与经验。强调上下文工程的重要性,提出通过简化编排逻辑、增强自主性构建可持续进化的智能体。通过上下文管理和人机交互建模,实现令牌消耗减少66%的同时达到SOTA性能。还讨论了代理生产化的挑战,包括非确定性工程和工具选择策略,为构建高效AI智能体提供实践指导。

kaka0722ww的博客 659

程序员必看!从基础到进阶:AI Agent Prompt 是什么?智能体 Prompt 设计全攻略

程序员必看!从基础到进阶:AI Agent Prompt 是什么?智能体 Prompt 设计全攻略

weixin_72959097的博客 1228

【Coze-AI智能体平台】 吃透 Coze 智能体开发:3 大模式 + 模型配置 + 提示词技巧全攻略

本文聚焦Coze智能体搭建核心基础,开篇点明AI作为开发工具的赋能价值。核心围绕智能体开发展开,先定义智能体是基于大语言模型、具备主动适应能力的系统,区分其与传统自动化工具的差异;随后详解Coze智能体的创建步骤,包括官网注册、两种创建方式及成功范式。接着通过家庭一日游案例,对比单Agent(自主规划、对话流)和多Agents三种模式的适用场景,还介绍了模型选择、参数配置、提示词编写技巧,以及智能体的调试发布与用户体验优化方法,为初学者奠定智能体开发的全面基础

小龙报的博客 7793

手把手教你构建AI智能体:Agent与Skill开发全攻略(建议收藏学习)

本文详细介绍如何从零开始构建AI智能体,解释Agent作为"大脑"负责决策,Skill作为"手脚"提供具体能力,并阐述二者协同工作机制。通过Google ADK框架,文章提供了环境搭建、Skill设计和Agent集成的具体步骤,还探讨了提升Agent决策能力、扩展Skill库、确保性能与安全的进阶技巧,理论与实践相结合,适合小白和程序员学习参考。

2401_85325557的博客 1386

【必藏干货】AI Agent智能体架构设计全攻略:从理论到实战,构建企业级解决方案

AI Agent发展与应用全景解析:从架构设计到落地实践 本文系统阐述了AI Agent的技术架构、发展趋势及竞争力构建策略。AI Agent作为具备环境感知和自主决策能力的智能实体,正从单任务向通用智能体平台演进。文章指出,模型、数据和场景是构建AI Agent竞争力的三大核心要素,提出通过打造以数据为中心的智能体平台,结合多Agent架构实现数据自动流转。重点介绍了Higress网关、Otel观测体系等工具在AI Agent中的实践应用,包括数据集成、质量追踪和实时更新等关键技术,为企业构建高效AI A

ytt0523_com的博客 977

从零构建高效AI Agent:上下文管理、工具设计与评估体系全攻略!

本文深入探讨了构建高效AI Agent的关键要素:首先明确Agent是完成特定任务的AI助手,而非替代人类的员工;重点分析了上下文管理的多智能体架构、压缩摘要等策略;提出工具设计的三层抽象模型;讨论通用模型与专门模型的选择;强调产品经理需通过原型深入理解AI行为;提倡轨迹评估,不只关注结果更要分析执行过程。每个决策都需要根据实际场景权衡取舍,没有放之四海而皆准的完美方案。

2401_84494441的博客 989

【爆肝整理】AI Agent开发全攻略:从概念到代码,一篇搞定大模型智能体搭建

简单来说,Agent 是能代表用户自主完成任务的智能系统。它和普通 LLM 应用的核心区别的在于:是否能自主掌控 workflow 执行。比如简单的聊天机器人、单轮文本生成工具,只是调用了 LLM 的生成能力,不算 Agent;但能自动完成 “查询航班→对比价格→预订机票→发送行程单” 全流程的系统,才是真正的 Agent。靠 LLM 驱动决策:能判断任务进度、纠正错误操作,遇到故障时可暂停并交还控制权给用户;可调用外部工具:能根据任务状态动态选择 API、数据库等工具,且始终在规则边界内运行。

m0_56255097的博客 1175

小白友好!AI Agent Prompt设计全攻略:从入门到精通,值得收藏的智能体开发指南

AI Agent Prompt是定义智能体角色、任务和行为规则的结构化指令集,具有三大核心作用(定角色、划边界、提效率)和五大要素(角色定义、核心目标、行为规则、资源调用、容错机制)。文章提供了4步设置指南和3个实用技巧,帮助开发者构建高效、精准的AI Agent,实现从"机械执行"到"灵活应变"的转变,是低成本释放AI潜力的关键。

m0_48891301的博客 986

AI Agent开发全攻略:从零开始优雅构建复杂智能体系统,程序员必学收藏指南

Lambda: 它允许用户在工作流中嵌入自定义的函数逻辑。Lambda 组件底层是由输入输出是否流所形成的 4 种运行函数组成,对应 4 种交互模式,也是流式编程范式:InvokeStreamCollectTransform。一般用于在运行图中,进行输入输出格式化转化,以及插入一下业务的自定义逻辑,例如参数响应的格式化等等。AI Agent 的发展正处于爆发前夜,从最初的 LLM 聊天机器人,到具备规划、记忆、工具调用能力的智能体,再到多 Agent 协作的复杂生态,整个行业正在经历一场范式转变。

EnjoyEDU的博客 1237

AI Agent 之 Coze 智能体,从简介到搭建全攻略(3/6)

本文全面介绍了 Coze 智能体的定义、发展背景及优势,涵盖其在多领域的应用。详细阐述了 Coze 平台的特点、账号注册流程,以及创建、配置与优化智能体的方法,包括对话式创建、手动配置、工作流设计等。探讨了智能体测试、调优、发布要点,并通过代码案例辅助理解。最后,强调社区交流对智能体进阶学习的重要性。

小相探索IT世界 4060

AI Agent开发全攻略:从零构建智能体应用的核心路径与实践指南

这次我们来看一套号称价值9880元的AI Agent全套教学视频。这套课程从零基础入门到实战开发,覆盖了Agent开发的核心概念、主流框架、工具链和项目实践。如果你正在寻找一条系统学习AI Agent开发的路径,或者想了解如何将大模型能力转化为可执行的智能体应用,这篇文章会帮你梳理清楚这套课程的价值、内容结构以及如何高效利用它。 AI Agent(智能体)是目前大模型应用开发中最热门的方向之一。它不只是简单的API调用,而是让大模型具备规划、记忆、工具使用和自主执行复杂任务的能力。从自动化工作流到智能助手,

weixin_29047545的博客 363
上一篇: 收藏!2025年大模型四大技术突破:多模态、MoE、强化学习与AI Agent协同演进,小白也能看懂
下一篇: 为什么你的AI输出总是“差一点“?这篇必收藏的Prompt工程指南让你秒变AI高手
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1479原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值