读完这篇文章，你会搞懂Agent Loop 到底是什么、为什么它是 AI Agent 的"心跳"，以及四种 Loop 类型分别适合什么场景。最近 AI 圈子都在聊"用 Loop 代替手动写提示词"。别每一步都指挥 Agent，定好规则让它自己跑。Agent Loop 不神秘。它就是while True + 工具调用，加上不同的触发和停止条件，组合成了四种模式。你越是能用确定性的标准定义"成功"，A

这篇文章带你搞懂提示词工程到底是什么、和随便写一句 prompt 有什么区别、以及怎么用 Java + LangChain4j 把 prompt 写成可复用的代码。读完你会有一个清晰的认知框架，不再凭感觉写 prompt。很多人觉得"提示词工程"是个玄学——不就是换着花样问 AI 吗？试几次就行了呗。这个想法对，也不对。对的是：prompt 确实靠"试"。瞎试和工程化地试，效率差 10 倍。提示词

这篇文章从设计哲学和用户体验两个维度，全面对比 OpenAI Codex CLI 和 Claude Code，帮你搞清楚两者的核心差异，以及该在什么场景下用哪个。两款工具都是 AI 编程助手的 CLI 形态，但背后的设计思路差别很大。不是哪个更好，是哪个更适合你。自主 vs 协作。Codex 押注模型自主性，减少摩擦，适合"交给 AI 跑"的思维模型。CC 押注人机协作，保留控制权，适合"和 AI

12 个章节学完后回头看，每一章都在教正确的思路，但也在刻意忽略工程细节。真正产品：容器化隔离（Docker）或 chroot，不受 git 限制。完成时自动生成差异化文件，创建 Pull Request，通知 Leader 审查。真正产品：进程树管理，主进程退出时所有子进程一并终止。真正产品：内存队列做热路径，文件仅做持久化备份。真正产品：支持有条件审批，比如可以做但不能删那行注释。审批不校验请

这篇文章梳理了当前网络上最热门的 AI Agent 相关词汇，帮你搞清楚 Agent、MCP、RAG、Tool Call、Memory、Planning、Multi-Agent、A2A 等概念的真实含义和关系，读完你能对 Agentic AI 的整体架构有一个清晰的认知。AI Agent 这两年火得一塌糊涂。但随之而来的是大量新词汇，让人看得云里雾里。这些词到底是什么意思？它们之间有什么关系？这篇

这篇文章带你用 LangChain4j 在 Java 项目里跑起第一个 AI 对话，从零到能用只需要 20 分钟。很多 Java 开发者想接 AI 能力，但 Python 的 LangChain 上手门槛高、又不想切语言。LangChain4j 就是为这个场景设计的——Java 原生，API 风格熟悉，直接 Maven 引入就能用。功能用到的类基础对话对话记忆接口化 AIAiServices工具调

这篇文章讲清楚两件事：LLM 的"幻觉"到底怎么来的、怎么对抗它，以及一个真实案例——我凭印象坚信自己写的 Agent 项目有某个功能，结果 AI 查了三遍代码，把我的"记忆幻觉"按在地上摩擦。故事是这样的。我在做一个 Java 轻量级 Agent，对标 Claude Code，技术栈是 LangChain4j + DeepSeek。聊到"怎么对抗幻觉"时，我顺口问了一句：我的 Agent 是不是

AI Skill 到底怎么开发、怎么评测——以微信小程序 wxa-skill-eval 和 Claude Code 为例，把四个评测指标和六大开发组成一次讲清楚。读完你能拿到一份可以直接照着搭的 Skill 工程清单。最近一个在腾讯做 Skill 测试的朋友跟我聊起他们的评测体系，我顺势把两边（微信生态 + Claude Code 生态）的 Skill 开发模式都翻了一遍，发现底层逻辑惊人地一致—

AI Skill 到底怎么开发、怎么评测——以微信小程序 wxa-skill-eval 和 Claude Code 为例，把四个评测指标和六大开发组成一次讲清楚。读完你能拿到一份可以直接照着搭的 Skill 工程清单。最近一个在腾讯做 Skill 测试的朋友跟我聊起他们的评测体系，我顺势把两边（微信生态 + Claude Code 生态）的 Skill 开发模式都翻了一遍，发现底层逻辑惊人地一致—

腾讯推出的操作系统级AI助手马维斯（Marvis）采用创新的多Agent架构，将6个专业Agent（文件处理、系统设置、应用操控等）通过主Agent协同工作，实现自然语言直接操作系统功能。其核心技术亮点包括端云自动路由策略（敏感任务本地处理）、GUI操作能力（直接操控各类应用）和三级安全机制（风险操作分级管控）。相比传统AI助手，马维斯突破了纯文本交互局限，实现了系统级的智能化操作，但也存在扩展性