工具的输入输出长什么样？调用技能创建自己的skill可以使用skill-manager或者skill-creator，功能效果是差不多的，你可以直接在IDE中引用这个skill并对智能体说：帮我创建一个xxx的skill即可。上面的步骤是手动创建的SKill，当然我们也可以通过公共的Skill根据需求自动创建你的Skill，这样就省时省力多了，你只需要负责check它创建的内容是否符合你的预期并做

所有入口（CLI 终端、消息 Gateway、IDE ACP 适配器）统一汇入这一核心，由 Prompt Builder 将 SOUL.md、MEMORY.md、USER.md 和当前 Skill 组装为系统提示，Provider Resolution 模块选择具体的模型提供商（支持 18+ providers），Tool Dispatch 负责工具调用与执行。——换掉 Claude 换成 GPT

所有入口（CLI 终端、消息 Gateway、IDE ACP 适配器）统一汇入这一核心，由 Prompt Builder 将 SOUL.md、MEMORY.md、USER.md 和当前 Skill 组装为系统提示，Provider Resolution 模块选择具体的模型提供商（支持 18+ providers），Tool Dispatch 负责工具调用与执行。——换掉 Claude 换成 GPT

Karpathy 的 LLM Wiki 不是一个具体的产品，而是一种模式（pattern）。人类放弃维护知识库，不是因为不想记录，而是因为维护成本太高。LLM 最不怕的就是体力活------它没有耐心限制，不会漏掉一个超链接，一次操作就能并行处理几十个文件。当维护成本接近于零时，知识库就能真正实现复利式增长。在这套体系里，分工异常清晰：人类负责收集弹药、把握方向、提出好问题；LLM 负责一切脏活累

Karpathy 的 LLM Wiki 不是一个具体的产品，而是一种模式（pattern）。人类放弃维护知识库，不是因为不想记录，而是因为维护成本太高。LLM 最不怕的就是体力活------它没有耐心限制，不会漏掉一个超链接，一次操作就能并行处理几十个文件。当维护成本接近于零时，知识库就能真正实现复利式增长。在这套体系里，分工异常清晰：人类负责收集弹药、把握方向、提出好问题；LLM 负责一切脏活累

Spec 并不能“解决” AI Coding 的问题。如果上下文是错的，Spec 只会让 Agent 在错误的道路上越走越远。但一个在讨论中逐步形成、不断修正的 Spec，至少让 AI Coding 实现较复杂的需求。

绝大部分同学维护的是祖传代码——几十号人迭代了多年，各有各的风格和写法。一个代码库里十几个 component，真严格按照上下文工程做的话，先不说编写的成本，可能每个 component 都会有自己的 CLAUDE.md、AGENTS.md、PROJECT_CONTEXT.md...加起来可能占了 50% 的上下文。所以，提供必要且精确的上下文信息——不管是写 CLAUDE.md、设计 Super

OpenClaw 是 2025 年底出现的开源自主 AI Agent。它运行在用户本地，通过 Telegram、Discord、WhatsApp 等聊天 App 接收指令，驱动 LLM 完成文件操作、命令执行、网络搜索、定时任务等真实工作。但 OpenClaw 本身是一个庞大的 TypeScript 工程，直接读源码门槛不低。

Agent 可以与外部工具交互：编译器（gcc/javac）、调试器（gdb/pdb）、测试框架（pytest/JUnit）、Linter（ESLint/flake8）、版本控制（Git）、构建系统（Maven/npm）等。实现 POST /auth/register、/auth/login、/auth/logout、/auth/refresh、/auth/forgot-password、/aut

沙盒是 Harness 的"物理围墙"——即使 Agent 产生恶意或错误的指令，也只能在围墙内产生影响，随时可以销毁重建。LangChain、CrewAI 等框架帮你"造"出一个 Agent，而 Harness 则决定了这个 Agent 在真实世界的"运行法则"。在 Harness 中，"重试"是基本能力：LLM 出错 → 重试，API 失败 → 重试，验证失败 → 重试。前文通过代码展示了 H