pumpkin84514的博客

长期记忆：保存项目背景、设计、进度Rule= 行为约束：保证输出符合团队标准最佳实践初始化骨架 → 填充初稿 → 每次任务先读取 → 完成后更新结合 Git 管理与 diff 审核，确保信息准确让 Cline 提示更新，人工审核，保证知识持续演化通过这套机制，Cline 能在跨会话中保持稳定的项目理解，开发效率和协作体验都会大幅提升。

从「写下要做什么」到「写下如何达成成果」，笔记不只是记录，更是推动器。下一次工作或学习，就用“三问+三类行动+四等级”来写，保证写下的每一行都能带来实际进展。

RDF= 一种“用三元组描述万物”的数据底座。OWL= 在 RDF 之上构建概念体系与推理能力的语言。跨系统互通（全球统一标识）自动推理与推荐（继承、冲突检测）但如果只是部门内使用、暂不需要复杂推理，→轻量的属性图数据库更务实以后再需要扩展时也可以映射到 RDF/OWL。

省时点：理解代码 / 生成样板 / 写文档 / 错误排查。慎用点：核心逻辑编写 / 批量改动 / 自动格式化。关键思路把 AI 当成“外脑”，而不是“工人”。不要追求一次性完美输入，而是渐进式对话。用 Git + 增量输入，减少描述成本。✅ 一句话：在大型 C/C++ 项目中，AI 的提效秘诀不是“替你写代码”，而是“减少你在理解、样板、查找、解释上的脑力开销”，把有限的脑力留给真正的业务逻辑。

做什么？凭什么？到什么时候？如何验收？公开、留痕、可回滚。对带有操控意味的话术，不拒绝人，但拒绝不正当的前提“我理解你的紧急，但流程不能跳。这里有两条不跳流程也能推进的方案，你看选哪条？操控式提问图的是“改规则拿未来”，事务性提问图的是“把眼前事做好”。学会识别与改写，不只是为了更安全的工具使用，更是为了更健康的合作关系、更稳固的组织机制与更清晰的个人边界。

（如 Cursor、Claude Code 等）无缝集成的技术，旨在将 Figma 设计稿高效转换为代码，提升设计与开发的协作效率。的结合，显著提升了设计到代码的转换效率。开发者只需完成环境配置与链接粘贴，即可实现设计稿的自动化代码生成，减少手动工作量并降低出错率。Figma MCP（Model Context Protocol）是一种通过。，用于与 Figma 和 AI 工具通信。Figma MCP 需要本地运行一个。Figma MCP 通过。

• 最终仍落盘到 settings.json，可直接编辑。——官方 8 大事件、全部字段、10+ 脚本，一步到位。或重启 Claude Code 才生效。三、配置文件结构（全局 vs 项目）四、匹配器（Matcher）语法精讲。六、可视化配置 vs 手写 JSON。进入 TUI，可增删改查。九、安全红线（官方原文提炼）八、调试与故障排查官方清单。十、一键速查表（打印贴墙）二、官方 8 大事件全表。五、官方环境变量全集。

通过合理使用 CLAUDE.md和 ~/.claude/CLAUDE.md文件，结合 /add-dir和 /permissions等命令，你可以有效管理 Claude 在不同项目和环境下的行为。

选择优质个体：保留表现好的提示词交叉组合：将不同提示词的优点组合适度变异：随机调整部分内容迭代优化：多代迭代，整体表现不断提升通俗理解：想象一群机器人，每个机器人有不同的解决方案。评估后，表现好的机器人“繁殖”下一代，新一代比上一代更优。在 AI 提示词优化中，每条提示词就是一个“个体”，遗传算法帮助我们不断改进提示词，提升输出质量。遗传算法优化提示词的核心是“选择优质提示词、交叉组合、适度变异、迭代优化”使用模板和迭代示例可以直接上手适用于复杂任务、多条件约束场景。

括号看前 → 参数看后 → 嵌套先内 → 列表多用 car/cdr → 函数优先括号 = 一个操作单元参数 = 列表里的输入嵌套 = 内层先算列表操作 =函数 = 逻辑打包。

真正玩转 Gemini，关键不是记模板，而是掌握结构化表达 + 任务拆解 + 元认知结构化表达→ 让 AI 听懂你任务拆解→ 让 AI 做得好元认知→ 让你自己学得快说清楚 → 拆明白 → 会检查Gemini 是工具，真正的竞争力在于你能否清楚表达需求，并让 AI 成为可靠助手。

写有效提示词需围绕“4大要素”和“6个快速技巧”，是后续所有场景的基础。每个场景均包含“任务目标+提示词要点+操作流程”，可直接参考复用。核心需求：品牌建设、市场调研、内容创作、 campaign 规划。核心需求：统筹事务（会议、差旅、文件管理），提升团队效率。核心需求：高效响应客户、标准化沟通、分析反馈。核心需求：客户关系维护、RFP处理、团队支持。核心需求：节省时间、高效决策、战略沟通。

《智能体（Agent）速记指南》摘要 智能体是能独立执行完整任务、具备判断与工具使用能力的系统（≠单步工具或聊天机器人）。其核心需满足：灵活判断（如错误修正）、多工具协同（如API调用），适用于复杂规则（反欺诈）、非结构化数据处理（邮件分析）等场景。构建需三要素：模型（大脑）、工具（双手）、指令（约束规则），组织方式按任务复杂度选择单智能体或分工协作的多智能体。关键要设置防护栏（防跑偏/泄密），遵循"小步试点-人工兜底-持续优化"原则，口诀速记："判断灵活、规则减负、三件套缺一

本质：智能体是能代表用户独立完成任务的系统，可执行用户目标所需的一系列工作流（如解决客服问题、预订餐厅等），且具备高度自主性。与传统软件/简单LLM应用的区别：传统软件需用户操作以简化自动化工作流，而智能体可自主执行；仅集成LLM但不控制工作流执行的应用（如简单聊天机器人、单轮LLM交互工具）不属于智能体🔶1-13。工具类型：智能体需三类工具，且工具可作为其他智能体的工具（如经理模式中的子智能体），例如退款智能体、研究智能体、写作智能体1-59🔷。设计要求。

尤其是在 VS Code Cline、Postman 或 Python SDK 中调用模型时，不同平台的 URL 格式和调用规则差别很大。在使用大模型 API 时，很多人会对 api_base。在 VS Code Cline 中，配置的。，与 Qwen、Kimi 类似。，可直接用现成 SDK。，可本地/云端调用。

格式选对，显存省一半，速度翻一番。训练：优先 BF16；显存充足再混 FP32 累加器。推理：优先 FP16；显存不足进 INT8；边缘 & 移动用 INT4。永远记得：先测指标，再定精度。至此，FP32/FP16/BF16/INT8/INT4 的来龙去脉、优势劣势、硬件匹配与典型场景已全部说清。祝你的模型又准又快又省钱！

一部手机 / 平台全能”——选 Chatbox；“可插拔、团队协作、闭源合规”——选 Cherry Studio。

模型名字=身份证—— 读懂发布方、任务属性、技术工艺、版本号，就能快速锁定适合你 GPU/业务场景的权重规避 License 雷区精准比较不同厂商/社区模型的真正差异。

DeepSeek‑R1‑Distill‑Qwen‑1.5B = “DeepSeek 教师知识 ✕ Qwen 小骨架”它兼顾了性能 / 体积 / 生态适配三要素，对需要本地化推理或边缘部署的团队极具吸引力；企业只需按仓库 LICENSE 要求保留版权与 NOTICE，即可放心闭源商用。如果你想要快速体验，可在 HuggingFace 或 Ollama 中搜索 “deepseek‑r1‑distill‑qwen‑1.5b”，1‑2 行命令即可启动本地聊天。

在 Cursor 0.45+ 版本中，.mdc文件（Markdown Configuration）作为项目规则的核心组成部分，允许开发者为 AI 提供结构化的上下文指导。这些规则帮助 AI 理解项目的编码风格、架构约定、工具链配置等，从而生成更符合团队规范的代码。

不断推流，直到任务结束。([modelcontextprotocol.io][1], [Medium][5])“本地脚本 → STDIO；远程多人 → SSE；要流式 → SSE”协议本身与 REST API 在安全等级上相近；与 WebSocket 相比，SSE。（服务器→客户端），实现更轻量。：零端口、脚本友好；提交请求体（可批量）；：不能多路流式推送。

MCP = LLM 生态的 USB‑C：统一接口、随插即用。开发者写一次 Server，全球 Agent 可调用。使用者逛目录站，像装 VS Code 扩展一样挑选数据源 & 工具。掌握 MCP，就是抢占 AI 标准化浪潮的“船票”。现在就试试上面的 Demo，或把你的服务封装成一个，让更多 LLM 为你所用！

识别业务相关类：根据类名和字段识别可能的领域实体。分析类字段和方法：通过类的字段和方法确认它们是否代表了业务概念。分析 RESTful API：通过控制器方法和请求体/响应体识别领域模型。分析 MyBatis 映射：通过 MyBatis 映射文件识别数据库表和领域模型的关系。构建领域模型文档：将上述信息整合成文档，帮助理解系统的领域架构。

通过 Python，我们可以分析现有的 Java 项目，提取 Spring + MyBatis 架构的关键信息。解析 Maven 项目结构：提取依赖和模块信息。解析 Spring 配置：提取与@Service等相关的类和方法。解析 MyBatis 配置：提取 SQL 映射和查询。**静态分析 Java 代码**：提取类、方法、注解等信息。5.自动生成架构设计：生成类图、API 文档等。。

通过精心设计引导**思维链（Chain of Thought）**的高级提示词，可以使模型在处理问题时更加深入和系统。问题摘要（Step Back）：通过引导模型从高层次抽象出问题本质，避免关注不必要的细节。问题分解（Decomposition）：通过将复杂问题拆解成更小的子问题，逐步推理并解决。问题假设（HyDE）：通过构建不同的假设，引导模型推理多种可能的情境，帮助评估最佳解决方案。这种方法可以帮助模型逐步推理、精确分析，从而解决更复杂、更加不确定的问题。

Self-RAG 是一种将生成模型与自我引用增强结合的技术，通过在生成过程中多次引用和修正自己的输出，来提升模型生成的质量。它能够通过层层推理和自我改进，逐步产生更高质量的答案，尤其适合于复杂的推理任务。尽管存在计算成本和潜在的错误积累问题，但这种方法为生成式AI带来了新的思维方式和更高的解答精度。

是指在信息检索系统中，为了提升检索的全面性和准确性，通过多条不同的检索路径或不同的检索策略来获取信息的技术。多路召回的核心思想是，单一的检索路径可能会遗漏一些重要的信息或没有覆盖所有可能相关的内容，因此需要并行或串行地采用多种检索方法来提高最终的召回率和准确性。多路召回通过多个检索策略和模型的并行运行，能够提升信息检索的多样性和精准度。模型中，多路召回通常用于增强检索阶段的多样性和精准度。通过结合不同的召回策略，系统能够在多个来源或角度中获取信息，从而改善生成模型的输入质量和最终生成的答案。

通过以上。

虽然。

RAG 基线的设立是通过定义一组衡量标准，来评估和分类不同的业务、项目、指标或任务的表现。

Obsidian 是一个功能强大且灵活的知识管理工具，适用于需要组织、管理和链接大量信息的用户。它的双向链接、图谱视图、插件扩展等特性，使其在个人知识管理、学习笔记、研究记录、项目管理等方面非常有效。通过合理使用 Obsidian 的链接、标签、图谱视图等功能，可以轻松创建一个个人化的知识库，并从中发现信息之间的关联，提升工作和学习的效率。

TensorFlow是一个开源的深度学习框架，由 Google 开发和维护，主要用于构建和训练机器学习模型。它支持大规模的神经网络训练，并且能够在多种平台（如桌面、服务器、移动设备、Web 和云平台）上运行。TensorFlow 提供了强大的工具、库和社区支持，适用于从简单的机器学习任务到复杂的深度学习应用。TensorFlow 是一个强大的深度学习框架，适合用于构建、训练和部署机器学习模型。通过高层的 API 如tf.keras，你可以快速构建神经网络，并通过丰富的功能进行优化、调试和部署。

Cline 是一个功能强大的 AI 编程助手，专为 Visual Studio Code（VSCode）设计。它通过结合大语言模型（如 Claude、GPT 等）和工具链，帮助开发者自动化任务、生成代码、执行命令等。Cline 通过分析项目的目录结构和代码语义提供上下文支持。

是一个开源的代码质量管理平台，广泛用于持续检查代码的质量，包括检测代码中的错误、漏洞和不符合最佳实践的代码。SonarQube 可以与 CI/CD 流程结合，自动化地对代码进行静态分析，帮助开发团队提高代码的可维护性、可读性、安全性和性能。它支持多种编程语言，并通过提供详细的报告和实时反馈来帮助团队管理代码质量。

无论是在企业环境中管理多个微服务，还是在开源项目中协作，Sourcegraph 都能提高开发者的效率，减少对代码的理解和维护成本。Sourcegraph 是一个用于跨代码库的全局搜索和导航平台，它提供了强大的代码索引和搜索功能，支持跨不同版本、语言和平台的代码导航。Sourcegraph 提供了 IDE 插件，支持多种 IDE（如 VS Code、JetBrains 系列 IDE），使开发者能够在本地开发环境中直接访问 Sourcegraph 的搜索和跳转功能。

CodeSurfer 和 Tree-sitter 都是代码分析工具，但它们的设计理念、功能和使用场景有很大的不同。要决定在解析一个 C++ 项目 时选择哪个工具，我们需要全面对比它们的特点、优劣和适用场景。CodeSurfer：Tree-sitter：在解析一个 C++ 项目 时，下面是两者的表现：CodeSurfer 更适合用于 深入分析 和 理解复杂 C++ 项目。如果你的目标是对整个项目进行静态分析，理解控制流、函数调用关系、数据流等复杂行为，CodeSurfer 无疑是更合适的选择。它提供的控制流图

通过自动生成源代码的控制流图、调用图和数据流图，CodeSurfer 使得开发者能够轻松理解复杂系统的架构和行为。通过对 C++ 项目的静态分析，CodeSurfer 帮助开发者清晰地了解代码的执行路径、函数间的依赖关系以及数据流动过程，从而提高代码质量、优化性能、避免错误。是一款强大的静态分析工具，能够通过静态分析生成代码的控制流图、调用图和数据流图等，帮助开发者深入理解复杂代码库的结构、行为和潜在问题。这会开始对项目中的源代码进行静态分析，识别出代码中的控制流、调用关系等，并生成相应的分析图。

是一个用于解析源代码的增量解析器生成工具和库。它可以将源代码解析成抽象语法树（AST），并支持实时、增量的代码分析，非常适合用于编辑器、IDE插件、代码分析工具等。Queries是 Tree-sitter 提供的一种模式匹配语言，用于在 AST 中查找特定的语法结构。匹配特定节点：如函数定义、结构体声明、宏定义等。捕获信息：提取匹配到的节点的具体信息，如函数名、参数列表等。简化代码分析：避免手动递归遍历 AST，实现高效的信息提取。根据你的需求，编写相应的 Query 模式。

中，尤其是在大型项目中，可以帮助管理和验证代码的完整性、追踪代码变更、提高版本控制的效率等。通过将代码文件、类、函数等结构映射到 Merkle 树中，我们可以高效地验证代码库的任何变更，确保每个部分在不同开发环境、版本控制系统或分布式系统中的一致性。在大型项目的 CI/CD 流程中，利用 Merkle 树快速验证代码变更，避免了重复的全量检查，提高了验证效率。当需要对大量代码文件进行审查时，Merkle 树可以帮助缩小审查范围，只关注有变动的部分，从而提高审查效率。快速检查整个代码库的完整性。

（也称为哈希树）是一种特殊的树形数据结构，它的每个非叶子节点都是其子节点哈希值的哈希。Merkle 树是一种二叉树，每个叶子节点包含数据块的哈希值。然后，非叶子节点是其两个子节点的哈希值的哈希，直到根节点（又叫 Merkle 根）为止。当一个节点或数据块发生变化时，其哈希值会改变，从而导致根节点的哈希值改变。只需要检查根节点的哈希值是否一致，就能确认整个数据集的完整性。Merkle 树的主要用途是验证数据的完整性，尤其是在大型数据集或分布式系统中，能够有效减少验证数据时需要传输的数据量。