Harry的博客

不是模型训练自己，而是 Agent 把经验沉淀成长期 Skill。任务执行↓经验总结↓生成 SKILL.md↓后续任务复用↓持续 patch 与维护↓形成长期 skill library这意味着：未来 Agent 的竞争力，模型参数大小长期经验系统能不能真正形成“技能”

Function Calling 是：一种让 LLM 输出符合函数签名的结构化 JSON 的机制关键点：模型不会执行函数只是生成“调用意图”由外部系统负责执行Tool Calling 是：模型在推理过程中，选择并调用外部能力来完成任务这些能力（Tools）可以包括：函数（Function）API数据库搜索引擎多步工作流Function Calling 是 Tool Calling 的底层实现机制之一Fast.io。

完整流程如下：注册企业微信账号安装企业微信 App安装 OpenClaw CLI选择扫码接入扫码完成授权自动创建机器人几分钟即可完成接入 🚀。

设计模型“看到的全部信息”一句经典总结：Prompt 是“问什么”，Context 是“给它什么材料去回答” (围绕模型构建完整运行系统（约束 + context + feedback）层级关注点解决问题如何说单轮输出质量给什么信息多步任务稳定性整个系统怎么运作可靠性 & 自动化👉 一句话总结：Prompt：语言层Context：信息层Harness：系统层Prompt 让模型听话，Context 让模型有信息，Harness 让模型真正能完成任务。参考资料。

WebDriver 解决的是“如何模拟用户”CDP 解决的是“如何控制浏览器”为什么 CDP 会成为趋势？不是因为它更先进，而是因为：👉它更接近真实系统边界当需求逼近系统底层时：高层抽象（WebDriver）会失效低层接口（CDP）成为唯一解。