如果任务以信息查询、报告生成、内容摘要为主，风险低、重复性高，全自主 Agent 能更充分地释放 LLM 的效率优势。更常见的是按操作风险分层的混合架构：读取操作自主执行，幂等写入操作记录日志，不可逆写入（删除、支付、外发通知）必须人工确认。这种架构的核心价值不在于"限制 AI"，而在于把人的判断嵌入到最需要它的地方——错误在执行前被拦截，审批记录天然可追溯，合规代价最低。Agent 的推理链需要

要完成在MacOS上对STM32的开发，我们需要有以下几个软件，这几个软件都是免费且很好下载安装的，其中和以及在Mac上我们可以直接使用HomeBrew工具安装（什么！？你不知道HomeBrew？？？

Codex 不是不能自己干活。但在复杂工程里，Codex 最值钱的能力不是“亲自多改几个文件”，而是保持全局判断：需求怎么拆，任务怎么派，风险怎么收，结果怎么验，哪里该返工，哪里能交付。做的事，就是把主控和执行拆开。主 Codex 当 leader。Codex 子代理承接任务。Claude Code CLI 执行具体工作。DeepSeek 消化大量上下文和重复劳动。session 复用池把上下文热

Blackboard::write_node_with_reasoning() 实现了完整的「SHACL 校验 → 写入 → OWL 推理 → 推理后二次 SHACL 校验（共进化检查）」流程，Block 模式下任何阶段的违规都会阻止写入；的轻量级适配，使得 open-ontologies 的 ShaclValidator、Reasoner 等能直接操作 GH 的图存储，无需额外的 Mutex 包

注意点：ECharts(需要CSV)，需要LLM 整理数据格式，deepseek-chat 模型对 ECharts 所需的数据处理比较有好，不要直接选用推理模型，费token效果还不好。在自己开发大模型的时候，推理比较准确(Langgraph、LangChain、MCP、SpringAI、Embedding...)比如：我只让大模型给我回复什么内容，赋值到什么样的变量里，自己控制节点A->B->C

Codex 不是不能自己干活。但在复杂工程里，Codex 最值钱的能力不是“亲自多改几个文件”，而是保持全局判断：需求怎么拆，任务怎么派，风险怎么收，结果怎么验，哪里该返工，哪里能交付。做的事，就是把主控和执行拆开。主 Codex 当 leader。Codex 子代理承接任务。Claude Code CLI 执行具体工作。DeepSeek 消化大量上下文和重复劳动。session 复用池把上下文热

p 创始人 Zach Lloyd 给了一个更工程化的例子：用 GitHub Issues 做一个自我改进的 Issue 分诊系统。这个项目的核心思路是：先让 Agent 按照一个 Skill 去处理新 Issue，再让另一个 Agent 定期读取人类反馈，把这些反馈整理成可复用规则，最后通过 PR 更新原来的 Skill 文件。这样，Agent 的工作方式就不是一次写死的 prompt，而是可以随

完全可以。每个 SKILL.md 就是普通的 Markdown 文件，可以修改 TDD 的覆盖率要求、调整 Brainstorming 的问题列表、加入团队特有的代码规范检查（比如加一条"所有函数必须有 type hints"）。框架把工程文化编码成文件，而不是锁进平台。v5.1.0 还加入了。

正在变成一种新的工程资产。它看起来只是一个带有触发描述的 Markdown 文件，实际承担的是把领域经验、操作流程、工具约束和团队偏好注入 Agent 执行链路的职责。真正的问题不在于“能不能写出一个 Skill”，而在于：这个 Skill 是否稳定改善了 Agent 的输出？它改善了什么，代价是什么，改善是否可复现？如果只能靠体感判断，一个 Skill 很容易停留在手工作坊阶段；如果能被测试、对