我们用 AI Agent 驱动前后端全流程开发——从需求分析到自动化测试，整个 harness 工作流由 1 个 TL + 6 个子 Agent 组成。跑起来之后第一个问题就是：钱烧得很快，但完全不知道烧在哪。我们先用 AgentLens 把成本拆开看，发现系统提示词、工具返回信息、历史消息是大头。围绕"让 AI 只看到当前需要的上下文、减少无关的上下文、减少重复的上下文"这三个原则，我们逐一改造

我们用 AI Agent 驱动前后端全流程开发——从需求分析到自动化测试，整个 harness 工作流由 1 个 TL + 6 个子 Agent 组成。跑起来之后第一个问题就是：钱烧得很快，但完全不知道烧在哪。我们先用 AgentLens 把成本拆开看，发现系统提示词、工具返回信息、历史消息是大头。围绕"让 AI 只看到当前需要的上下文、减少无关的上下文、减少重复的上下文"这三个原则，我们逐一改造

2024 年以前，"AI Agent"这个词听起来很酷，但实际落地形态通常是：```code-snippet__js用户输入 → Prompt Engineering → LLM → 输出

2024 年以前，"AI Agent"这个词听起来很酷，但实际落地形态通常是：```code-snippet__js用户输入 → Prompt Engineering → LLM → 输出

从“会调用工具”的 AI，到“了解用户、掌握知识”的智能助手上一篇文章我们介绍了 AI Agent 的核心能力：

从“会调用工具”的 AI，到“了解用户、掌握知识”的智能助手上一篇文章我们介绍了 AI Agent 的核心能力：

如果你这两年学 AI，一定绕不开一个词：Transformer。ChatGPT、Claude、Gemini、BERT、T5、机器翻译、代码助手、文档摘要、图文理解，背后都能看到 Transformer 的影子。

前面讲线性代数时，我们知道了：向量就是一组有顺序的数字。但到了自然语言处理里，问题会变得有点奇怪：

很多候选人一聊 RAG，回答就会迅速收缩成几句流程口号：切 chunk、做 embedding、存向量库、召回 Top-K、把上下文塞给大模型生成答案。这些步骤本身没有错，但如果面试官继续追问“为什么大模型已经很强了还需要 RAG”“R 和 G 分别在解决什么问题”“为什么检索看起来命中了，回答还是会错”“RAG 和 SFT 该怎么选”“ChatPDF 这种产品到底落在哪些技术点上”，很多回答就会

Skill和Rules看似都是"给AI下指令"，但本质上解决的是完全不同层次的问题。一个管的是"AI始终要保持的状态"，另一个管的是"AI在特定场景下的专业能力"。混在一起，两头都做不好。