具体的：有两个主体：user和Agent，Agent又可以包括：大模型 ， Tool ， 主函数（run函数）；user在提出需求，大模型进行Thought ， 然后通过Action执行主函数调用Tool，然后结果返回大模型进行Observation，判断是否使final answer，如果是就返回结果，如果不是就重读前面的过程。这个也是一个主要流程方式，和上面提到的ReAct不一样的在于：ReA

这里我刚开始在每个/page里面只写了index.tsx，把样式和逻辑放到了一快，这里卡了很久，不修改react-input的话会很麻烦，不仅要引入Tailwind CSS,创建两个文件，这里我一直创建不出来，最后还是手动创建了两个，还要改package.json里面的一些参数，创建引入./react-input-styles.css，很麻烦，所以还是要改react-input。2.聚焦输入的时候

具体的：有两个主体：user和Agent，Agent又可以包括：大模型 ， Tool ， 主函数（run函数）；user在提出需求，大模型进行Thought ， 然后通过Action执行主函数调用Tool，然后结果返回大模型进行Observation，判断是否使final answer，如果是就返回结果，如果不是就重读前面的过程。这个也是一个主要流程方式，和上面提到的ReAct不一样的在于：ReA

可以参考官方的weather.py代码：https://github.com/modelcontextprotocol/quickstart-resources/blob/main/weather-server-python/weather.py。一般来讲，如果团队有内部专用的文档接口，在编写代码的时候想让代码调用文档的API从而达到规范的作用，可以通过MCP server来实现。这里的.py文件

尽可能详细的写出规定，以及所期望的风格，如果在团队工作中还会有团队制定好的使用规范，这个使用规范也属于约束层的部分。但是如果只写文档是不够的，文章中提到了“仅靠文档本身，是没法保持完全由智能体生成的代码库的连贯性的。之前我的想法很简单，设置一个rules，写一个.md文档，然后交付的时候通过diff来review。最后，根据文章中提到的，对于ai的约束尽量少采用微观管理，即告诉ai我只要结果，过程

这里我刚开始在每个/page里面只写了index.tsx，把样式和逻辑放到了一快，这里卡了很久，不修改react-input的话会很麻烦，不仅要引入Tailwind CSS,创建两个文件，这里我一直创建不出来，最后还是手动创建了两个，还要改package.json里面的一些参数，创建引入./react-input-styles.css，很麻烦，所以还是要改react-input。2.聚焦输入的时候