在 AI 领域，Agent（智能体/代理）可以通俗地理解为一个能自主感知环境、进行思考决策，并主动采取行动来实现特定目标的“智能管家”。它与我们平时常用的普通 AI 对话机器人最大的区别在于：普通AI通常是被动响应，仅生成文本；而 AI Agent 具备目标导向、自主规划和工具使用的能力，不仅能“说”，还能真正帮你去“做”事。以下是 AI Agent 的特性，以及其与传统 AI 的对比。特性关键描

如果你希望在不使用虚拟环境的情况下，让 CC 默认就用你指定的某个 Python 解释器，也可以直接调整系统 PATH 中 Python 相关路径的优先级。在使用 Claude Code（下文简称 CC）的过程中，偶尔会看到它提示需要安装某些 Python 第三方库。这个现象，其实反映了 Windows 系统 PATH 环境变量的查找机制：系统会按照 PATH 中目录出现的顺序，依次查找。虽然当前

如果你是刚开始接触 AI Agent 的开发者，最容易踩进一个坑：把“会聊天的大模型”误当成“能持续工作的代理系统”。这两者不是一回事。大模型更像一个会推理、会生成文本的“大脑”；工具系统：让模型不只是“会说”，还要“会做”，比如读文件、跑命令、搜网页、发消息、调用浏览器。会话系统：让代理知道当前任务进行到哪一步，而不是每次都像第一次见你。记忆系统：让代理把长期偏好、项目背景、历史决策存下来。权限

虽然真正执行这些动作的依然是外部程序，但从用户的角度来看，AI 已经不再只是一个聊天机器人，而开始像一个真正能够"做事"的助手。因此,工具调用（Tool Calling）的本质，就是让模型停止猜测，转而获取真实数据。模型负责判断"是否需要工具"，真正执行工具的是外部程序（Agent Runtime）。它让 AI 从"只会说"迈向了"能够做"，成为现代 AI Agent 的基础能力。Tool Cal

它的作用是一次性从硬盘搬运 18 个字节到内存中。虽然 18 个字节在实际开发中显得很小（通常我们会用 1024 或 8192），但在教学演示中，它能很好地帮助我们观察数据是如何分批到达的。此时，数组的第 6 到第 18 个位置，保留的还是上一次读取的旧数据！如果每次只读 1 个字节，就要进行一次磁盘 IO 操作，这就像去超市买东西，买一颗糖跑一趟，买一瓶水又跑一趟，效率极低。new String

当 AI 从实验走向生产，它脚下的地板得换材料了。Python/TypeScript 搭了脚手架，Rust 浇了地基，C# 盖了楼。Rust负责最底层的、性能敏感的管道C#/.NET负责企业级的、生态完整的应用栈Python负责模型训练、数据科学、快速原型——它擅长的层未来的 AI 基础设施，不是"谁替代谁"的单选题，而是"谁该在哪一层"的分层架构。认清每一层的核心矛盾，选择最合适的材料，才是工程

开始真正的多模态部分，我选择的是 LLaVA 模型架构，视觉 encoder 使用了现成的 CLIP ViT-B/16 ，语言处理部分使用了刚才训练最好的 stage3j。改好了，依旧重新开始训练。不过这是可以谅解的，因为 19 年 GPT - 2 也并没有在算术上大放异彩（至少我并没有查到 ChatGPT 2 在数学上的突破报道），而且我作为 Bench 的其他模型，比如比较有名的教学向多模态模

TokenJuice 在 OpenClaw.NET 中被定位为系统级内置插件，实现接口，在 Gateway 启动时显式注册。↓Redaction（敏感信息脱敏）↓【Interceptor Pipeline — TokenJuice 介入】↓↓LLM 上下文也就是说，工具输出先经过脱敏处理，然后进入 TokenJuice 的归约管道，最后才到达 LLM。这个顺序确保了安全和效率两个目标都被满足。To

机制，是调用服务的前置安全校验：通过在 WebSocket 请求地址后拼接 3 个必填鉴权参数，完成「身份校验 + 防篡改 + 防重放」三重安全防护，仅合法授权用户可成功调用接口。过程中可参考官方错误码排查问题，也可在平台配置热词、语种方言。按固定格式拼接（注意引号、空格不可错漏，​，得到最终可拼接到 URL 的。）：按固定规则拼接 3 个参数（讯飞中英识别大模型采用​。

的开发环境里，Codex Cli 已安装，并配置了可用模型；同时配置了 Oracle SQLcl 的 MCP，可以连接到数据库里的开发用户。为了后续方便，也添加了 Oracle 的 Skill，不过这不是必须条件。另外，conda 环境也已经安装。笔者让 Codex 直接在 conda 中创建一个独立的alfred环境，这样不会影响同样使用此环境开发的其他同事。端口也提前规划好。本次使用两个端口，