<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[l_dongyang的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/l_dongyang</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; l_dongyang]]></copyright><item><title><![CDATA[EvoSkill 技术详解]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/163262783</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/163262783</guid><author>l_dongyang</author><pubDate>Tue, 28 Jul 2026 10:02:10 +0800</pubDate><description><![CDATA[EvoSkill 是一个不修改模型权重的 Agent 能力自动进化框架。它通过类似进化算法的迭代循环（选择、变异、评估、淘汰），自动发现和优化Skill 文档（或 System Prompt），使 Agent 在特定任务上的表现持续提升。]]></description><category></category></item><item><title><![CDATA[skillOpt 技术详解]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/162057574</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/162057574</guid><author>l_dongyang</author><pubDate>Wed, 17 Jun 2026 09:57:01 +0800</pubDate><description><![CDATA[SkillOpt 是一个不修改模型权重的 skill 自动优化框架。它通过类似神经网络训练的循环（epoch、batch、learning rate、validation gate），迭代优化一个Skill 文档，使 Skill 在特定任务上的表现持续提升。Figure 1: SkillOpt 整体流程。Target 模型使用当前 Skill 执行任务；Optimizer 模型将执行轨迹转化为有界的 add/delete/replace Skill 编辑指令；]]></description><category></category></item><item><title><![CDATA[claude cache 理解]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157654360</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157654360</guid><author>l_dongyang</author><pubDate>Mon, 02 Feb 2026 17:26:38 +0800</pubDate><description><![CDATA[在 Claude API 中，每个独立的内容单元就是一个"块"例如：一条系统消息、一个工具定义、一条用户消息、一条助手回复每个。]]></description><category></category></item><item><title><![CDATA[【8】kilo 关键指令构建详解]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157549458</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157549458</guid><author>l_dongyang</author><pubDate>Fri, 30 Jan 2026 15:38:04 +0800</pubDate><description><![CDATA[模型消息主要包含system prompt、user、assistant三种类型，其中system prompt一般用于制定规则、角色定义等静态和全局的信息，是相对静态的，kilo作为agent需要感知当前状态，因此在user消息内会构建EnvironmentDetails，主要涵盖当前项目环境、用户设置、文件列表等状态信息，帮助模型更准确地理解当前环境，做出决策。System Prompt（系统提示词）是 Kilo Code 与 AI 模型交互的核心指令集，它定义了：Kilo 的 System Promp]]></description><category></category></item><item><title><![CDATA[【7】Kilo 工具模块设计详解]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157516106</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157516106</guid><author>l_dongyang</author><pubDate>Thu, 29 Jan 2026 20:03:32 +0800</pubDate><description><![CDATA[模块化设计：工具按功能分组，便于管理和扩展按需加载：根据工作模式和配置动态启用工具安全可控：严格的参数验证和权限控制可扩展性：支持 MCP 协议集成第三方工具用户友好：清晰的工具描述和使用示例// 工具基类// 工具参数名称// ... 更多参数] as const// 工具显示名称// ... 更多工具// 工具使用接口// 具体工具类型（示例）是一个开放协议,允许 AI 应用与外部工具和数据源进行标准化集成。核心概念MCP 服务器: 提供工具和资源的独立进程。]]></description><category></category></item><item><title><![CDATA[【6】kilo 上下文管理与压缩机制]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157477908</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157477908</guid><author>l_dongyang</author><pubDate>Wed, 28 Jan 2026 20:26:33 +0800</pubDate><description><![CDATA[在与 AI 的长时间对话中，会话历史会不断增长，最终可能超出 LLM 的上下文窗口限制。自动监控：实时跟踪对话的 token 使用量智能压缩：当接近上下文窗口限制时，自动压缩历史对话保持连续性：压缩时保留关键信息，确保对话流畅触发方式自动触发压缩：系统自动检测上下文使用情况，达到阈值时自动压缩用户手动触发压缩：用户主动点击 UI 按钮触发压缩用户批准 AI 压缩：AI 检测到需要压缩时，请求用户批准后执行关键设计点存储与传输分离：本地存储完整历史，API 调用时只传递必要上下文智能消息选择。]]></description><category></category></item><item><title><![CDATA[【5】kilo LLM Provider 架构设计]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157477830</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157477830</guid><author>l_dongyang</author><pubDate>Wed, 28 Jan 2026 20:24:05 +0800</pubDate><description><![CDATA[位置/*** 创建消息流，发起流式 API 请求* @param systemPrompt - 系统提示词* @param messages - 用户消息列表* @param metadata - 请求元数据（可选）* @returns 异步生成器，返回流式响应块*/metadata?/*** 获取当前使用的模型信息* @returns 模型 ID 和模型详细信息*//*** 计算内容的 Token 数量* @param content - 内容块列表。]]></description><category></category></item><item><title><![CDATA[【4】kilo Task 类设计详解]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157399635</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157399635</guid><author>l_dongyang</author><pubDate>Mon, 26 Jan 2026 19:00:42 +0800</pubDate><description><![CDATA[Running（运行）Interactive（交互）Resumable（可恢复）Idle（空闲）Task 的状态通过taskStatusreturn TaskStatus.Interactive // 最高优先级return TaskStatus.Resumable // 中等优先级return TaskStatus.Idle // 最低优先级return TaskStatus.Running // 默认状态状态优先级。]]></description><category></category></item><item><title><![CDATA[【3】kilo 消息交互完整示例]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157324525</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157324525</guid><author>l_dongyang</author><pubDate>Sat, 24 Jan 2026 11:14:13 +0800</pubDate><description><![CDATA[content: [id: "...",参见基于 Anthropic 的标准格式，支持文本、图片、工具调用和工具结果通过 AssistantMessageParser 实现增量解析，实时显示和执行从解析到执行到结果返回的完整闭环工具失败、用户拒绝等场景的处理重复检测、自动批准等智能机制。]]></description><category></category></item><item><title><![CDATA[【2】kilo 消息流转过程]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157296775</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157296775</guid><author>l_dongyang</author><pubDate>Fri, 23 Jan 2026 17:37:15 +0800</pubDate><description><![CDATA[API 层历史（发送给 LLM 的实际对话）- UI 层历史（在界面显示的所有消息）标准格式：严格遵循 Anthropic API 的 MessageParam 格式角色明确：只有user和assistant两种角色工具表示：工具调用作为assistant消息的content块，工具结果作为user消息时间戳：每条消息都有ts字段记录时间压缩支持：支持isSummary标记压缩后的摘要消息丰富类型：包含texttool等多种消息类型交互记录：记录了所有用户交互（ask类型）和系统响应（]]></description><category></category></item><item><title><![CDATA[【0】kilo & Agent 理解]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157295989</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157295989</guid><author>l_dongyang</author><pubDate>Fri, 23 Jan 2026 17:01:36 +0800</pubDate><description><![CDATA[AI Agent是一类以大语言模型（LLM）为核心，具备自主认知、决策、行动与迭代能力的智能体。其核心目标是接收用户高层级目标或模糊需求后，无需人工逐步干预，通过整合记忆、规划任务、调用工具、执行反馈的闭环，自主完成问题解决，本质是"模拟人类思考与行动逻辑"的智能化任务处理载体。]]></description><category></category></item><item><title><![CDATA[【1】Kilo Code 项目整体结构设计]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/157260105</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/157260105</guid><author>l_dongyang</author><pubDate>Thu, 22 Jan 2026 19:30:02 +0800</pubDate><description><![CDATA[Kilo Code 是一个开源的 VSCode AI 编程助手扩展，基于 React 和 TypeScript 构建。项目提供自然语言编程、任务自动化、智能重构等功能，支持多种工作模式（架构、编码、调试）和 AI 模型集成。采用分层架构设计，包含用户界面层、扩展核心层、服务层、工具层和 API 层。支持从 Marketplace 安装或源码构建，提供代码索引、自动补全等高级功能，适用于创建新功能、代码重构和 Bug 修复等场景。]]></description><category></category></item><item><title><![CDATA[AI 写作平台调研]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/149046349</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/149046349</guid><author>l_dongyang</author><pubDate>Tue, 01 Jul 2025 14:40:01 +0800</pubDate><description><![CDATA[创作的本质是人类思维、情感与灵感的独特表达，具有显著的无规律性和创意性特征。目前 AI 创作平台凭借强大的数据处理和学习能力，虽能够覆盖新闻撰写、营销文案生成、简单故事续写等基本创作场景，但在质量上仍存在诸多提升空间，大概率并不代表高质量，但随着技术的不断进步和发展，逐步提升 AI 对创作的理解和表达能力，缩小与人类创作质量的差距，会在更多元、更高层次的创作场景中发挥更大价值。]]></description><category></category></item><item><title><![CDATA[压缩算法分析(Gzip/Snappy/Lz4/ZSTD)]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/109028968</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/109028968</guid><author>l_dongyang</author><pubDate>Thu, 14 Sep 2023 19:27:37 +0800</pubDate><description><![CDATA[一、概况
当我们进行数据传输或者数据存储等场景的时候，如果数据量比较大的话，那么操作就会随着数据量的变大而变得缓慢以及耗费资源。如果是数据传输，那么大的数据量在进行网络传输的时候会非常耗时；如果是进行数据的持久化，存储到数据库，那么必然也会非常耗费存储空间。
对于大数据而言，最直接的优化方式，就是对数据进行一个压缩操作处理，减少数据尺寸。因此为了资源的节省以及操作加速，会对数据进行一下压缩加工，减少它的尺寸，从而提高各项效率。
压缩类别：压缩可以分为有损压缩和无损压缩。有损压缩算法通过移除在保真情形下需要大]]></description><category></category></item><item><title><![CDATA[JSON & JSON Schema]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/128360259</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/128360259</guid><author>l_dongyang</author><pubDate>Tue, 27 Dec 2022 10:05:58 +0800</pubDate><description><![CDATA[存储数据时、数据传输时、组件交互及数据验证的时候，JSON，在不同平台、组件及场景下的应用，已经自证了它作为无关平台标记语言的易用性及通用性。结合JSON Schema能够完成数据定义、数据传输以及数据验证的完整过程。]]></description><category></category></item><item><title><![CDATA[架构基础理论]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/123513871</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/123513871</guid><author>l_dongyang</author><pubDate>Sun, 05 Jun 2022 18:03:09 +0800</pubDate><description><![CDATA[前言
概念
当我们谈到一辆车的时候，会想到它的发动机、电气设备、轮毂、车身骨架、安全配置等，同样，在做系统架构的时候，也总有几个出场频率很高的关键词，模块、组件、框架等，可以理解从不同角度、维度去描述、去解释所谓的“架构”，那么我就首先看下构成它的代表词们的含义是什么。
模块 &amp; 组件
开发中经常提到模块和组件，例如：我们有可复用的日志组件、限流组件，我们分为登录模块、支付模块等等，从使用过程中多少会有一种混合的感觉，看下维基百科中对二者的定义：
模块
软件模块（Module）是一套一致且互相有紧密]]></description><category></category></item><item><title><![CDATA[Caffeine 驱逐算法]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/123461686</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/123461686</guid><author>l_dongyang</author><pubDate>Sun, 13 Mar 2022 16:39:07 +0800</pubDate><description><![CDATA[概况
在《Caffeine入门使用》一文中讲解了Caffeine基本使用方法以及功能分类描述和使用示例，在会使用以及了解使用模式的背景下，在《Caffeine基础源码解析》文中对caffeine的主流程进行源码分析，从原理看下Caffeine的设计和实现，从会使用到深理解，本文是Caffeine学习的最后一部分，也是它最重要的一部分，驱逐算法的实现，即W-TinyLFU算法在Caffeine中的实现。
算法
对于缓存组件，驱逐算法基本是标配，它是直接影响缓存组件命中率的重要因素，无论是基于服务的Redis组]]></description><category></category></item><item><title><![CDATA[Caffeine基础源码解析]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/123294062</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/123294062</guid><author>l_dongyang</author><pubDate>Sat, 05 Mar 2022 17:54:17 +0800</pubDate><description><![CDATA[概况
《Caffeine入门使用》一文中主要讲解了Caffeine基本使用方法以及功能分类描述和使用示例，在会使用以及了解使用模式的背景下，本文主要对caffeine的主流程进行源码分析，从原理看下Caffeine的设计和实现，从会使用到深理解。
之前也提到，Caffeine在使用方式上可分为手动/主动，同步/异步的缓存处理方式，实际上在底层还区分为有界限/无界限的缓存，即缓存空间是否有限，无论是通过缓存条目数量、权重阈值、写后过期、访问过期以及软弱缓存k-v等方式，都代表缓存是有界限的，从这里可以想到 ，]]></description><category></category></item><item><title><![CDATA[mysql 8.x安装&忘记密码]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/114013632</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/114013632</guid><author>l_dongyang</author><pubDate>Wed, 24 Feb 2021 11:32:10 +0800</pubDate><description><![CDATA[上一次忘记mysql的密码而进行修改还是mysql 5.x的版本使用最广泛的时候，也是在网上来查找解决方式；最近在安装8.x版本的mysql，因为误操作设置了中文密码，导致在进入服务的时候提示密码不正确，5和8的版本重置密码操作还是有些许差异，因此整理一下忘记密码后修改密码的操作步骤，以备回看。
网上解决mysql忘记密码的文章一大箩筐，基本差不多，本文章以Mac、brew、mysql 8.x 为基讲解，只供笔录供查询。
一、brew安装mysql&amp;初始密码修改
因为本机安装了brew工具，因此我采]]></description><category></category></item><item><title><![CDATA[缓存算法-FIFO/LRU/LFU/W-TinyLFU]]></title><link>https://blog.youkuaiyun.com/l_dongyang/article/details/108583476</link><guid>https://blog.youkuaiyun.com/l_dongyang/article/details/108583476</guid><author>l_dongyang</author><pubDate>Sat, 19 Sep 2020 14:35:57 +0800</pubDate><description><![CDATA[一、概况
《Caffeine入门使用》一文中介绍了当下性能比较好且正在流行的缓存组件Caffeine Cache，一个缓存组件是否好用，其中一个重要的指标就是他的缓存命中率，而命中率又和缓存组件本身的缓存数据淘汰算法息息相关的，本文意在讲解一些业界内常见的页面置换算法，以及在详细的介绍下Caffeine Cache的W-TinyLFU算法，以便于更好的理解缓存组件。
二、讲解
2.1 FIFO
FIFO（First in First out）先进先出。可以理解为是一种队列的实现
算法：最先进来的数据，被认为]]></description><category></category></item></channel></rss>