用最直白的语言，一次性把所有的概念串在一起：LLM（大语言模型）—— 心脏。它只会文字接龙。但当参数大到千亿级别，接龙接出了智能。Prompt（提示词）—— 你跟 LLM 说的一切。包含背景、指令、格式要求。Context（上下文）—— Prompt 里的背景信息。"我是一名.NET程序员"就是 Context。Memory（记忆）—— 跨轮次的 Context。把之前的聊天记录塞进下一轮，让 L

我用裸 Claude Code 踩过的坑，有 60% 源头都在这一步省掉了——需求没说清楚，Claude 就开始猜了，而它猜的方向往往会在你不知道的地方和别的模块打架。背后的逻辑是：长时间运行的单一 Agent 上下文会"腐化"——随着对话轮数增加，早期假设会被忘记，新的错误会越来越难发现。不是"尽量先写测试"，不是"写完再补测试"，是字面意义上的——如果发现子 Agent 在没有失败测试的情况下

用最直白的语言，一次性把所有的概念串在一起：LLM（大语言模型）—— 心脏。它只会文字接龙。但当参数大到千亿级别，接龙接出了智能。Prompt（提示词）—— 你跟 LLM 说的一切。包含背景、指令、格式要求。Context（上下文）—— Prompt 里的背景信息。"我是一名.NET程序员"就是 Context。Memory（记忆）—— 跨轮次的 Context。把之前的聊天记录塞进下一轮，让 L

调用接口时在 response_format 中传入具体 JSON Schema，实现格式与字段的双重硬约束，确保模型输出完全匹配预设的字段规则，合规率 100%，这也是官方主推的结构化输出方案。

为了在输出屏幕上显示转义字符，我们使用了"R(带转义字符的字符串)"作为原始字符串字面量。在 C++11 之前如果一个字符串分别写到了不同行里，需要加连接符'\'，这种方式不仅繁琐，还破坏了表达式的原始含义，如果使用原始字面量就变得简单很多，很强直观，可读性强。例如：当我们要打印一个路径时，由于路径字符串中常常包含一些特殊字符，传统方法通常需要使用转义字符 '\' 来处理。xxx在编译时会被忽略，

在Slime代码中，generate_rollout_openclaw()函数名用的是含义 1(执行rollout过程)，返回的 RolloutFnTrainOutput(samples=...)是含义2(rollout的结果数据)。At-Least-One Guarantee 的作用是：防止整个session贡献零梯度，确保即使最"平庸"的session也有一个turn进入训练，=Reinfor

更重要的是，Grader 自身也需要被迭代。对于内部 API、私有平台、需要登录才能访问的文档、网页难以抓取的控制台，Skill 还承担了知识入口的角色：没有它，Agent 甚至不知道应该从哪里开始。评测 Skill 最有力的方式不是单跑一次看结果，而是让两个 Agent 面对同一个任务：一个加载 Skill，一个不加载 Skill。好的 expectation 必须能被机械检查，例如文件存在、字