task: strmatched_skill: Optional[dict] # 从 Skill Store 检索到的技能execution_steps: list[str] # 执行步骤记录evaluation_score: float # 1-10 质量评分should_create_skill: bool # 是否需要提取技能should_update_memory: bool # 是否触发

我见过团队在老系统的Service层直接new一个HttpClient调模型API，Prompt拼在业务代码里，超时没配、降级没有。本讲的RAG基础管道，也是第7讲工单助手的核心依赖——工单进来先查知识库，找不到答案再走分类和派单流程。这是企业项目更稳的演进顺序：先证明权限、引用和拒答是对的，再引入embedding和向量库。向量检索上线前，应该对比关键词检索的准确率和召回率，确认向量化的收益是否

前两天在技术群里看到一个段子——A：「我们老板说要搞 AI Agent，让我把 Spring Boot 项目改写成 Python 的。B：「那鉴权、事务、灰度、配置中心、链路追踪都要重做？A：「嗯……老板说这是『AI 转型』。B：「转型转型，转着转着就转岗了。群里笑归笑，但这事真不是个例。这两年聊 AI 的 Java 团队，基本只剩两条路在走：要么把自己摆烂成「调模型 API 的水管工」，给一个包

解决痛点：通用技能满足不了个性化需求，想自己封装专属的工作流技能核心能力：引导你创建自定义技能；封装重复的工作流；生成标准化的技能包；支持发布到社区触发场景：当你说「帮我创建一个自定义技能」「封装一个专属的工作流」时自动激活实测感受：进阶玩家必备，能把你日常重复的工作流封装成技能，一劳永逸，大幅提升效率。自定义技能开发：用本文推荐的技能，它会引导你一步步创建自己的技能，把你日常重复的工作流封装成技

这套也是直接跑在生产上的。生态这一年长得很快——Anthropic、OpenAI、DeepSeek、Google、Ollama、各家国产兼容端点基本都有 starter，MCP、向量库、observability 也都接上了，社区还有 spring-ai-community 那一摞 utils 可以挑着用。一次性、定时、cron 周期，这些都不是会话内能搞定的，得有个真正的调度器。JobRunr

AutoCompact 是四层压缩的”核武器”——调用一个独立的 compact agent 来生成对话摘要。下面这张图展示了 AutoCompact 的决策流程：什么时候触发、怎么计算阈值、失败了怎么办。当四层压缩都拦不住 413 错误时，Reactive Compact 上场。下面这张图展示了 Reactive Compact 的触发路径——从 413 错误被 withhold 开始，到恢复成

现在能即时写出属于它自己的 harness，为手头的任务量身定制。这套能力就叫 dynamic workflow：它会动态地编写编排脚本，在单个会话里运行数十到数百个并行的 subagents，并在任何结果送到你面前之前先自行检查一遍。默认的 Claude Code harness 用来写代码很好，但研究、安全分析、agent teams、代码审查这类更专门的任务，过去需要在 Claude Cod

按左箭头，当前会话自动进后台，你新开一个会话处理紧急任务，处理完按左箭头回到 Agent View，选中刚才的会话按右箭头 attach 回去，Claude 会自动给你一段摘要，告诉你离开期间它做了什么，无缝衔接。在 Agent View 里一条一条派发下去，每个会话还可以搭配不同的 skill，跑完之后回来一看，列表里直接显示每个会话提交的 PR 链接和 CI 状态，你要做的就是挨个 revie

我见过团队在老系统的Service层直接new一个HttpClient调模型API，Prompt拼在业务代码里，超时没配、降级没有。真实项目里还应该把这些信息写入审计记录：原始问题、候选SQL、安全决策、执行状态、结果摘要、tenantId、operatorId。真实项目里，SQL Agent必须知道：谁在查、代表哪个租户查、为什么查、查到了什么、有没有被安全策略拒绝。这当然有价值，但企业里真正卡

你想让AI Agent帮你从零开始构建一个完整的Web应用，你把需求告诉Agent："帮我做一个聊天应用，能取代Facebook的那种"。Agent开始干活了，它读需求、写代码、创建文件，一切看起来很顺利，几个小时后，你打开项目一看——妥妥的豆腐渣工程，到处是写了一半的功能，有些代码逻辑甚至互相矛盾。恭喜你遇到了一个根本性的问题：Agent会失忆。