登录社区云，与社区用户共同成长
邀请您加入社区
本文档是龍魂系统的统一子系统收口总表v3.0版本，主要包含两大核心内容： 技能系统：梳理了分布在4个目录的技能文件，建议将"01_技能庫"作为权威源头，保留"skills/"运行版本，归档冗余备份文件。 引擎系统：详细列出了44个引擎文件，分布在独立子系统、CNSH体系和独立脚本三大类中，存在多处重复文件需要整合。文档特别标注了需要关注的重复引擎和权威源确定问题。 此外，文档记录了2026-07-
如果说 Context Manager 决定 Agent “看到什么”，Tool Executor 决定 Agent “能做什么”，那么 Reasoning Controller 决定 Agent “怎么想”。它是 Agent 的元认知层——控制推理策略、管理迭代循环、保障推理质量。本章的核心问题是：如何让 Agent 高效地、可靠地、可控制地完成多步推理任务？ 我们将从基础策略（CoT、ReAc
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应
摘要 2025-2026年前端技术领域出现了三个标志性变革：Vue 4.0绕过虚拟DOM直接操作DOM，React Native新架构拆除异步Bridge实现原生线程直连，Three.js转向WebGPU舍弃WebGL抽象。这三个看似独立的技术演进共同揭示了前端"去中间层"的系统性趋势。背后是性能瓶颈上移、编译时与运行时的再平衡以及对控制权的回收三大底层逻辑。这不是简单的技术迭代，而是前端开发范式
RAG（检索增强生成）是一种结合了信息检索和文本生成的技术。用户提出问题系统从知识库中检索相关信息大语言模型基于检索到的信息生成答案从系统设计角度触发，RAG 的核心作用可以被描述为：在LLM调用生成响应之前，由系统动态构造一个“最小且相关的知识上下文”。动态：每次问题都不同，检索的知识也不同（比如用户问 A 产品时找 A 的文档，问 B 产品时找 B 的文档）最小：只注入必要信息（比如用户问 “
Claude Code 七种配置方式全解析，保姆级教程。结合 Anthropic 官方博文和实战经验，手把手带你搞懂 CLAUDE.md、Rules、Skills、Subagents、Hooks 等配置体系，覆盖加载机制、token 优化、安全防线全流程，让你的 AI 编程效率翻倍。
以下为本文档的中文说明该技能用于构建或重建ADR索引及依赖关系图，通过运行scripts/import.mjs脚本来实现，只需一次Bash调用即可完成数百次MCP工具调用的工作。主要功能是将所有ADR持久化到adr-patterns命名空间，并将所有关系（替代/修正/关联/依赖）持久化到adr-edges中。使用场景包括：从其他项目导入ADR后需要重建索引；AgentDB图与磁盘上的ADR文件不同
将 TXT 转换为 XML 可以帮助用户将简单的纯文本内容转换为结构化数据，提高数据可读性、兼容性和处理效率。通过 CloudxDocs 免费在线 TXT 转 XML 转换工具，用户只需注册账号并上传文件，即可快速完成转换，无需安装复杂软件。此外，结合 CloudxDocs AI Agent，用户还可以在文件转换后继续进行智能分析、内容编辑和文档优化，让文档处理更加高效便捷。
文档解析技术正迈向结构化与权限分级的新阶段。MinerU作为文档基础设施，其核心价值在于构建可授权、可审计的文档入口网关。当前趋势显示，AI Agent工作流对文档的需求已从简单OCR转向语义正确性、多页连续性和结构化输出能力。MinerU通过Quick Parse API和Precision Extract API实现文档分级处理，支持从公开试跑到私有化部署的全链路，并覆盖PDF/Office/
5年前端经验不是包袱，而是跳板。AI Agent 时代，最需要的不是纯算法专家，而是能把 AI 能力包装成可用产品的全栈工程师。前端人懂交互、懂性能、懂用户体验——这些恰恰是 AI 产品从“能用”到“好用”的关键。all in AI Agent，不是放弃前端，而是用前端的视角重新定义 AI 应用的边界。如果你也在犹豫，我的建议是：先写一个 Agent 试试，你会发现，那些年写过的组件、调过的异步、
企业Agent开发已从概念讨论进入实际采购阶段，但市场上服务商能力参差不齐，选型失误带来的返工成本远高于前期调研投入。本文从评估维度、常见误区、决策因素和落地路径四个角度系统梳理选型逻辑，并结合D-coding等具备完整技术底座的软件定制开发服务商实践经验，帮助企业在选择Agent开发公司时建立清晰的判断框架。当前企业对AI Agent的需求正在快速分化——有的希望构建内部知识问答助手，有的需要打
Token 命名的语义化和一致性不是装饰性问题，而是设计系统可维护性的基础设施。命名传达用途而非外观，让设计意图在代码中无损传递；格式一致让管道可靠运行；层级完整让变更的影响范围可控。AI 辅助命名的核心价值在语义重复检测——代码层面的字符串匹配无法发现"名字不同但意思相同"的命名混乱，AI 的语义理解能力恰好填补了这个缺口。但 AI 的判定不是终审，疑似重复需要开发者确认后再归并，避免语义过度归
本文通过一个线上故障排查Agent Demo，深入解析了ReAct模式在企业级Agent开发中的落地实践。文章首先介绍了ReAct的核心概念：推理思考（Reasoning）与工具行动（Acting）的循环迭代机制。随后详细展示了项目结构，分为工具层（模拟告警平台、Nginx日志、业务日志查询）和核心层（ReAct主流程控制）。 重点剖析了工程落地的三个关键点：1）通过Prompt强约束模型输出固定
文章摘要（149字） 依赖故障排查需聚焦安装、解析、运行时三阶段关键日志： 安装阶段：记录下载进度、哈希校验、缓存写入，定位网络超时或文件损坏（如Socket timeout或SHA不匹配） 解析阶段：检查版本冲突、锁文件完整性（如No matching version或循环依赖告警） 运行时：监控模块路径、ABI兼容性（如Cannot find module或ABI版本不匹配） 通过分阶段埋点+
导读：** 最近"Loop Engineering"这个词突然刷屏——Claude Code 负责人 Boris Cherny 说"我不再写 Prompt，我的工作是写 Loop"；OpenClaw 作者说"你不该再亲自 prompt 你的 Agent，而该设计 Loop 来 prompt 它们"。小编第一次看到这两句话的时候……愣了一下。然后看了看自己手边那堆 `.md` 文件，感觉被人说中了。
很多人第一次接触 MCP 时，会把它和 Function Calling 放在一起比较：既然两者都能让大模型调用工具，那是不是用了 MCP 就不用 Function Calling 了？这个理解不够准确。
本文探讨了从人工编写AI技能（Skill）到Agent自我创造技能的演化过程，聚焦于"元技能（Meta-Skill）"工具的发展及其背后的学术脉络。文章指出，随着Anthropic等公司标准化Agent技能（如SKILL.md），业界开始关注如何让技能自我生成，即"生成Skill的Skill"。当前主流工具如Cursor的create-*系列、Anthropic的Skill Creator和MCP
Product Hunt 每日热榜 | 2026-07-06 腾讯WorkBuddy是一款专为日常办公室工作打造的人工智能助手。你可以提出请求，指导你的AI团队，征求第二意见，获取更精准、即用的结果。
最近很多团队或者个人都在使用 AI Agent。有的用 Claude Code，有的用 Codex，有的用 hermes，有的还会自己封装一套内部 Agent CLI。
如果你 以固定场景PPT创作为主，偏爱大屏展示体验，需要处理带较多素材的PPT，偶尔兼顾轻度素材处理，推荐选择联想小新Air15（酷睿 5 320）。15.3英寸高刷触控大屏让PPT编辑、现场展示体验更好，接口齐全无需扩展坞即可投屏，3825元的学生到手价就能获得满血第三代酷睿5的性能，兼顾PPT创作和展示需求，高性价比且稳定流畅。
Agent Skill 是一种轻量级、开放格式的 AI agent 能力扩展机制 [8]。它的物理形态是一个包含SKILL.mdYAML 前置元数据定义nametriggers等字段，用于 agent 的自动发现 [1][9]；Markdown 指令体描述何时以及如何使用工具、执行何种工作流；可选资源包括脚本、模板、参考数据 [9]。Skill 与 Tool 有本质区别：Tool 是单一函数调用，
课题申报，从来都不是文学创作。它更像是一份需要精准回应评审问题的"论证报告"。好的申报书，不是辞藻华丽，而是逻辑清晰、证据充分、价值明确。今天分享的，只是课题申报前半程最关键的四个模块：•课题名称•研究背景与意义•文献综述•创新点提炼它们决定的是评审对课题的第一印象，也是最容易拉开差距的地方。而真正影响立项成功率的，还有后半程四个更关键的模块：•研究目标与研究内容如何一一对应？•技术路线怎样画才能
实验摘要：通过配置二层交换机（下行access，上行trunk）、汇聚层交换机（启用IP Helper-Address转发广播报文）和核心层交换机（使用no switchport转换为路由端口），验证了MAC地址表中继功能。实验成功实现了跨VLAN通信，关键点包括：1）Trunk链路建立；2）DHCP中继配置；3）三层接口转换，最终达成预期网络互连目标。（99字）
摘要：仓库管理贯穿企业供应链各环节，但传统人工管理方式随业务增长易导致库存积压、账实不符等问题。高效仓库管理需建立标准化体系，包括：统一商品编码规范、制定标准出入库流程、优化库位管理、设置库存预警机制、采用循环盘点模式、实现数据可视化分析，并推进数字化系统建设。未来仓储将向智能化发展，结合物联网、AI等技术实现预测性库存管理。规范化的仓库管理体系能显著提升供应链效率，降低运营成本，成为企业核心竞争
文章摘要： AI Agent 看似能自主执行任务（如查询股价、分析表格），实则是通过三步协作实现的“认知魔术”： 认知植入：将工具（API/函数）转化为LLM能理解的JSON Schema文本描述，植入其系统提示中。 意图识别：LLM根据用户问题生成结构化调用请求（如tool_calls），但不实际执行，仅输出调用指令。 Runtime执行：外部代码（如Python）接收指令并调用真实工具，结果返
前端
——前端
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
龙虾开发者社区
CSDN-OPC开发者社区
开源鸿蒙跨平台开发者社区
DAMO开发者矩阵
MCP技术社区
AI硬件创业社区
CANN开发者社区
亚马逊云科技技术品牌专区
科技大视野开发者社区
