新闻 PUSH 最重要的是要体现“新”，因为腾讯新闻用户有及时获取热点/突发资讯的诉求，用户经常有这样的体感，有热点突发事件时，所有 App 都会尝试第一时间向用户发起推送，用户大概率会点击收到的第一个推送。其实系统&品牌过滤完全可以前置到离线侧，我们将号码包按品牌和系统维度进行了拆分，比如“社会”包按android/ios、huawei/oppo/vivo/honor/xiaomi，拆成了13个

“ 当传统不再传统，未来就即将到来。企业的数字化转型在多年前就被证明是一个前瞻趋势，但在落地过程中却遭遇了巨大的数字鸿沟，进展缓慢。2020开年的这场新冠疫情，让传统行业体会到了切肤之痛...

这正是 OpenClaw 在记忆上的平衡，通过把历史会话记录（JSONL 格式）压缩成记忆（Markdown 格式），来避免上下文溢出的问题，赋予系统记忆的能力，但与此同时带来的问题也显而易见，在进行压缩时难免会有信息的流失，这在大多数场景下是合理的，但对于"具体几点"这类精确信息确实是弱点。从直觉上看，这是符合人类大脑的记忆机制的，人的记忆也是由一个个重点片段组成的，我们能记住的也只是某个特定的

它把 Skill 系统和 LLM 代码能力的结合推到了极致。模式二中 LLM 是"调用者"，模式三中 LLM 是"开发者"——它不只是按说明书操作，而是理解了库的 API 后，自己设计算法、组合函数、生成新代码。而且 LLM 理解自然语言文档的能力，远强于理解结构化 Schema——这是 Anthropic 选择"教 LLM 写代码"而非"注册 function calling"的根本原因。他们没

当我们回答完了三个问题，其实就完成需求的设计环节，下一步就是让AI分任务实现，而实现的过程，恰恰和我们的设计是一一对应的，即先完成实体的新增，然后再去完成流程函数（细节全部mock，这个时候直接就可以测试了），最后在补充规则细节！除了自己的去总结，其实也可以利用AI工具，当你用AI解决完一个新问题的时候，别急着关闭对话框，的增多，当你给AI装上了一大堆的SKills，一个工程化的问题随之而来，我们

总的来说对于小白来说相对比较困难，不要太相信网上说十分钟部署好，中间不知道省略多少认证和准备，所以我把自己遇到的问题以及在网上检索到大多数人常遇到的做了一个汇总整理，当你信心满满找到一个教程遇到卡点，不妨搭配本文来食用，相信你可以2、3个小时就可以拥有一个真正的私人助理。这是导致很多用户困惑的根源，很多博主也在视频开头提过，但是大都是补录的，一些早期文档教程中可能还是旧的名称，注意复制一些命令时，

我们正处于“自主时代（Era of Autonomy）”的开端，这一时代的标志是AI不再仅仅是被动的问答工具，而是能够主动规划、使用工具并改变环境的智能体。随着智能体需要连接的外部系统越来越多，传统的“一对一”集成方式（为每个模型写适配每个API的代码）遇到了严重的瓶颈，这就是所谓的“N x M”集成难题。即，将相关的工具集（如GitHub API的增删改查）封装在一个Skill（如“代码审查技能

等到通晓了这九剑的剑意，则无所施而不可，无所不出，无所不入，便是将全部变化尽数忘记，也不相干，临敌之际，更是忘记得越干净彻底，越不受原来剑法的拘束。嗯嗯，熟悉我的同学都知道，我也有一套应对变化的体系，称之为ITPAO，在其中AI以数字员工身份起到了非常大的作用，刚好我们就此一一对照，来帮助大家找到更好的AI落地场景。今天，我们以独孤九剑为例，介绍了在ITPAO体系使用AI辅助管理，应对变化的应用，

当前，政府部门启用数字员工为市民服务的案例已经越来越多了，但目前这些数字员工的能力也仅仅是替代了一些人类员工重复性的劳动而已，或者说这些数字员工减轻的是人类员工的劳动量，但对市民的体验来说，不一定有太大的提升。我想未来的政府服务，将不再是”人去服务”，而是”服务找人”，比如，当你的某一项资质要到期年检了，政府的服务系统会第一时间帮你预约好办理时间，准备好相关的办理材料，甚至有些服务由AI自动帮你完

Context Engineering：狭义的上下文工程特指提示词Prompt的工程实现（如Rules、Claude.md以及AGENTS.md等），而广义上的上下文工程其实也包含LLM使用外部工具这部分（比如Skills，它是工具与提示词结合的典范）。毫无疑问，当前极简版的AI Agent框架在程序健壮性、安全性、功能性（如流式输出）以及优雅性（如Tools注册）都有很大改进空间，但是不容否认的