本文介绍了S02工具路由分发的结构化设计方案，目标是解耦工具与主循环，支持新增工具无需修改Agent主代码，并增强文件操作安全性。文章通过分析S01硬编码工具的三大痛点（代码膨胀、安全漏洞、循环稳定性差），提出分层架构方案：在Agent主循环外新增工具分发层，通过字典映射（TOOL_HANDLERS）实现工具路由，并引入路径沙箱（safe_path）限制文件访问范围。具体实现包括：定义安全工作目录

文章摘要 该教程详细介绍了如何将原生大语言模型（LLM）升级为自主执行任务的智能体（Agent）。首先指出原生LLM的局限性——只能生成文本而无法主动调用工具、获取执行结果并进行迭代思考。核心解决方案是建立循环调度机制，实现模型输出→工具执行→结果反馈→继续推理的闭环流程。教程拆解了Agent的关键概念（循环、轮次、工具结果等）和数据结构（消息体、工具结果块、循环状态），并提供了最小Agent循环

不再把所有知识一次性塞进提示词，做到用什么技能，就加载什么技能。技能系统的核心不是新增一个工具，而是把「各类专项知识」从常驻提示词中剥离，拆分为「轻量目录发现 + 完整内容按需加载」，精简上下文、节约 Token，让 Agent 架构更灵活易扩展。

AI编程Agent的核心工作原理是一个循环执行"推理-行动-反馈"的过程。其基本流程包括：1)调用大模型进行决策；2)根据模型输出决定是否使用工具；3)执行工具并记录结果；4)将结果反馈给模型进行下一轮决策。这种模式使AI能够像人类一样，通过调用工具获取信息，经过多轮思考后给出最终答案。典型案例包括查询天气或股价，Agent会根据当前信息决定是否需要调用外部工具，并根据工具返回

本文探讨了数据不平衡问题及其解决方案。数据不平衡指各类别样本数量差异显著，如欺诈检测中正常交易远多于欺诈交易。这会导致模型偏向多数类、少数类学习不足、评估指标误导等问题。文章分析了模型"偷懒"的理论原因，如损失函数和梯度下降的影响。判断不平衡程度可分为基本平衡(1:1~1:2)、轻度(1:2~1:10)、中度(1:10~1:100)和极度不平衡(1:100+)。解决方案包括数据

让我画一个直观的对比来帮助理解：如上图所示，左侧的箱线图中两组数据的统计摘要几乎一样（中位数、四分位距接近），很容易误以为它们是相似的分布。在房价预测中，“房屋面积"这个特征的小提琴图如果出现两个明显的"鼓包”（双峰），往往意味着数据混合了两种不同类型的房屋（比如公寓和别墅）。小提琴图（Violin Plot）是机器学习和数据分析中一种非常实用的可视化工具，它结合了箱线图和核密度估计图的优点，主要

-model：换模型（TimesNet/iTransformer/DLinear）：换任务（long_term_forecast/imputation/anomaly_detection）：换数据集（ETTh1.csv/ETTh2.csv/ETTm1.csv）示例：长预测换iTransformer模型克隆代码→装环境→放数据→一键运行，不用懂复杂原理，就能直接用时间序列SOTA模型做任务。

偏差（拟合不足）与方差（拟合过度）。不存在绝对最优的单一模型，所有模型选择、正则化、特征工程、集成学习、模型复杂度设计，本质都是在动态平衡二者，寻找全局最优泛化点。机器学习模型天然只能学习相关性，无法自动推导因果关系。数据中的混杂变量、辛普森悖论、虚假关联、时序耦合会产生大量伪规律；顶尖研究者会天然区分「统计关联」和「现实因果」，拒绝把拟合规律直接等同于业务逻辑。泛化能力是模型的唯一终极指标，训练

CrewAI是一个轻量级Python多智能体协作框架，专注于构建"AI团队"协作完成复杂任务。其核心特点包括独立架构（不依赖LangChain等框架）、角色驱动的代理设计（每个代理有明确角色和目标）以及双重执行模式（自主协作的Crews和结构化流程的Flows）。框架包含三大组件：Agent（专家成员）、Crew（团队管理）和Process/Flow（任务策略），支持自动任务分

Vue3 是一个基于组件化的前端框架，通过响应式数据自动同步页面更新。核心概念包括：单文件组件（.vue文件）整合模板、逻辑和样式；响应式数据（ref/reactive）实现数据驱动视图；模板语法（插值、指令）连接数据与DOM；组件化开发（props/emit）构建模块化应用；组合式API提升逻辑复用性；配套工具（Vue Router/Pinia）处理路由和状态管理。Vue3让开发者专注于数据状态