大家开始编写 aboutme.md 文件，来充当可移植的身份描述 —— 你的偏好、你的技能、你的工作风格，全都放在一个文件里，这个文件可以在不同应用间流转，无需任何人去对接 API。而是说：你的数据、你的上下文、你的偏好、你的技能、你的记忆 —— 以一种你拥有的格式存在着，任何智能体都能读取，不会被锁死在某个特定的应用里。他指出，Claude Code 之所以有效，是因为它运行在你的电脑上，使用你

如果你刚刚才处理完 “Mary had a”，那么在生成下一个 token 时，对 “Mary had a little” 中前三个 token 的大部分矩阵运算其实是冗余的 —— 而这正是 LLM 推理循环的默认行为。于是我决定深入探究，一头扎进 LLM 工作原理的“兔子洞”，直到彻底搞明白服务商究竟缓存了哪些精确的数据、这些数据的用途，以及它们如何让每个人的 LLM 请求都变得更快速、更便宜。

最终，你只能给 chatbots 配备那些用户自己也能完成的操作，可这样一来，你的 chatbots 其实是在跟你自家产品的原生体验竞争，而且大概率会输。首款基于大语言模型的产品 ChatGPT，其功能只不过是^1（译者注：文中出现的数字，为注释上标，文末可看到对应的注释内容，后同）与模型本身进行对话：换句话说，就是一个纯粹的 chatbot。由 LLM 生成的补全内容让用户无需改变现有工作流的任

相反，每个 head 执行一次投影（projection），这是一种通过学习得到的变换方式，将完整的 4096 维输入压缩成该 head 特有的 128 维表征。Nano-vLLM 则做了简化，仅支持 Qwen 模型，但背后遵循的工程模式和优化思路，其实是通用的。这个是可以训练出来的。尽管单位参数的效率有所损失，但凭借其庞大的总体规模，它可以达到的能力，是任何可训练的稠密模型都无法企及的。输出是

文中深入剖析了技能加载的“渐进式披露”机制如何大幅降低 Token 消耗，对比了其与微调、Custom Instructions 等方案的优劣，并展示了开发者生态在三周内从 0 爆发至 25,000 个技能的惊人增长。云内容管理公司 Box 构建的 Skills，能将存储的文件自动转换为符合组织标准的格式化文档。如果你正在构建 AI 智能体、交付 AI 驱动的产品，或是设计未来需要对接多家 AI

我们今天为大家带来的文章，作者的观点是：构建可靠 AI 智能体系统的关键，不在于精巧的提示词，而在于通过强制执行少量核心不变量（Invariants）来管理并发和状态，将自主性约束在可控范围内。如果你见过 Agent “疯狂刷屏回复”，或者在执行中途“无视用户的纠正”，那么上文提到的队列模式（queue modes）就是控制这些行为的“调节旋钮”。一个不那么光鲜但真实的事实：决定你的 Agent

文章也坦承，MCP 在某些缺乏 CLI 的场景下仍有其存在意义，但警示开发者不应本末倒置 —— 在没有提供基础 CLI 和 API 的情况下，优先投入资源去构建 MCP 服务器。MCP 曾许诺提供更简洁的接口，但在实际操作中，我发现自己到头来还是得写同样的文档：每个工具是干什么的，接受哪些参数，更重要的是，什么时候该用它。我们今天为大家带来的这篇文章，作者的核心观点是 MCP（模型上下文协议）并非

大家开始编写 aboutme.md 文件，来充当可移植的身份描述 —— 你的偏好、你的技能、你的工作风格，全都放在一个文件里，这个文件可以在不同应用间流转，无需任何人去对接 API。而是说：你的数据、你的上下文、你的偏好、你的技能、你的记忆 —— 以一种你拥有的格式存在着，任何智能体都能读取，不会被锁死在某个特定的应用里。他指出，Claude Code 之所以有效，是因为它运行在你的电脑上，使用你

作者通过“代码整洁度检查”这一完整示例，清晰展示了如何组合使用 Command + Agent 实现手动流程，或 Skill + Agent 实现智能主动介入，并强调 —— 选择依据不应是“功能复杂度”，而应是“谁来决定执行时机”。Command 是手动触发器。Agent 并非比 Command “更高级” —— Command 是触发器，Agent 是执行者，它们扮演着不同的角色。Command

其次，他揭示了模型“求快”的默认性格需通过“惯用性”提示词加以约束，并惊叹于Opus 4.5与GPT 5.2在Bug定位上的惊人能力，但也警示，过度依赖AI会导致开发者心智模型保真度快速衰减，进而缩短代码库的“品质半衰期”；软件工程的核心始终在于：与团队协作来深入理解问题的本质，编写代码将解决方案落地，排查并修复 Bugs，同时随着问题的变化持续迭代优化方案。据我观察，即使有最好的提示词工程支持，