从 feature map 中截取一个区域，然后做一次固定尺寸的池化。它第一次在 CNN 中引入了“基于目标的特征对齐机制”。池化窗口是预先固定的，与输入内容无关。这时的池化本质就是一个“空间无关的压缩操作池化窗口不再固定，而是由“候选目标（RoI）”决定。从这个角度看，“更灵活”体现在：Pooling 的位置由输入决定、 Pooling 的范围随目标变化。从“固定操作”变成了“针对目标的操作”。

Docker Swarm 是docker原生集群管理系统，它将一个Docker主机池变成了一个虚拟主机，只需要使用简单的API就可以实现与Docker集群的通信。从Docker 1.12.0开始，Docker Swarm就内置于Docker引擎中了，不需要单独安装配置。

新建一个名为的文件（任意目录，比如桌面），填入以下配置，重点修改 brokerIP1 为你的宿主机 IP# 集群名称，默认 DefaultCluster，和客户端配置一致即可# Broker 名称，同一集群内唯一# Broker ID，0 表示主节点，大于 0 表示从节点（新手先部署单主节点）# 消息删除时间，默认凌晨 04 点# 消息保留时间，默认 48 小时（可修改，比如 72 小时）# Br

默认 obs_as_global_cond=True 时，trajectory 里只有 action，没有把 obs 拼进去。但是机器人操作通常不是单步动作能解决的。同一个去噪网络，在不同场景、不同机器人状态下，会通过 scale 和 bias 改变自己的行为。先对每个点独立提特征，再对所有点做 max pooling，得到整个点云的全局特征。给定最近几帧 3D 观测和机器人状态，生成一段动作轨迹

sdk-pkg.json 中 “stage”: “Beta1” → “Release”）自检：解压 .app（zip）读取根目录 pack.info，或检查 entry/build/release/outputs/default/pack.info。校验：openharmony/ets/oh-uni-package.json + sdk-pkg.json 均为 Release。/oh-uni-pa

sdk-pkg.json 中 “stage”: “Beta1” → “Release”）自检：解压 .app（zip）读取根目录 pack.info，或检查 entry/build/release/outputs/default/pack.info。校验：openharmony/ets/oh-uni-package.json + sdk-pkg.json 均为 Release。/oh-uni-pa

sdk-pkg.json 中 “stage”: “Beta1” → “Release”）自检：解压 .app（zip）读取根目录 pack.info，或检查 entry/build/release/outputs/default/pack.info。校验：openharmony/ets/oh-uni-package.json + sdk-pkg.json 均为 Release。/oh-uni-pa

在源码里，每个工具都遵循同一套接口：名字、描述、额外 prompt、输入 schema、调用逻辑、权限检查、输入校验、并发安全判断，以及四层 UI 渲染方法——工具开始、工具进度、工具结果、工具报错。代码目录也非常重：主入口、查询引擎、工具注册表、100 多个 slash commands、146 个 UI 组件、自研 terminal framework、85+ hooks、330+ utils

测试场景:需要预处理图片？避坑须知

几个月前，我在做一个多 Agent 协作的软件工程实验时，被市面上的 AI 编码工具折磨得够呛。Claude Code 聊了 20 轮忘了第 3 轮的约定，Codex CLI 在多个任务间切换时状态全丢，OpenClaw 的 Skill 管理一多就变成灾难……这些工具都很强，但都像“聪明但散漫的实习生”——你需要时刻盯着，关键事情还得自己把关。于是我决定自己动手。不是写一个 Prompt 模板或编