错误写法:「这个 Skill 提供了完整的 Spring Boot 项目代码生成能力,支持多种数据库适配...」正确写法:「在用户要求生成 Spring Boot 接口/Controller/Service 代码,或提到『新建一个 REST 接口』『加一个查询 API』时使用」差别在哪里?第一种描述告诉 Claude「我能做什么」,第二种告诉 Claude「什么时候轮到我做」。模型决定触发的逻辑是

Plan-and-Execute依赖外部工具完成具体执行，因此需要提前定义常用工具并注册到Agent中。本次实践中，我们配置了三类基础工具：数学计算工具、当前时间获取工具、简单问答工具，每个工具都明确了功能和使用场景，让执行器能根据子步骤需求，精准调用对应的工具完成操作。

支持向量添加、批量入库、相似度TopK检索支持向量与原文映射存储（索引→文本元数据）百万级以内向量检索速度极快，适合学习阶段使用。

与其试图训练模型"不要偷懒"，不如在运行时层面为 Agent 装上"导航系统"。模型无关：不依赖特定模型的行为改进，适用于任何 LLM Provider（OpenAI、Claude、Gemini、本地模型等）成本可控：Token 预算系统防止无限制消耗安全可靠：六状态状态机 + 阻塞检测 + 外部验证，多重安全网体验一致：CLI、TUI、Web Chat 统一的交互体验。

Locale 是 Linux 系统中定义语言和区域设置系统界面语言日期格式数字格式货币符号字符排序规则编码方式中文文件夹是在登录时自动"翻译"产生的。关闭翻译开关（），修改个人配置，重命名文件夹，就能恢复英文名称，同时不影响系统的中文功能。

ChatView 不是另一个 AI 聊天工具，也不是要替代 ChatGPT、Claude 或 Gemini。它解决的是 AI 对话生成之后的问题：所以 ChatView 的定位更接近于：它把 AI 对话从“聊天记录”转换成“独立页面”，用户可以根据需要设置公开访问、密码保护、过期时间，也可以导出为 PDF、JSON、CSV 等格式，用于分享、归档或二次加工。过去我们可能只把 ChatGPT 当成一

模型生成的工具调用参数，和工具真实需要的 schema 之间，永远存在偏差：日期格式不对、把字符串当数字传、引用了一个上文里压根没出现过的 ID。Agent 的「记忆」不该全靠把文本堆在上下文里硬扛，而应该把结构化状态（已完成的子任务、关键中间结论、待办项）放到上下文之外的存储里，每一步只把当前真正需要的那部分喂给模型。生产级 Agent 的稳定性，往往就赢在这些不性感的工程细节上。：第 3 步拿

模型生成的工具调用参数，和工具真实需要的 schema 之间，永远存在偏差：日期格式不对、把字符串当数字传、引用了一个上文里压根没出现过的 ID。Agent 的「记忆」不该全靠把文本堆在上下文里硬扛，而应该把结构化状态（已完成的子任务、关键中间结论、待办项）放到上下文之外的存储里，每一步只把当前真正需要的那部分喂给模型。生产级 Agent 的稳定性，往往就赢在这些不性感的工程细节上。：第 3 步拿

模型生成的工具调用参数，和工具真实需要的 schema 之间，永远存在偏差：日期格式不对、把字符串当数字传、引用了一个上文里压根没出现过的 ID。Agent 的「记忆」不该全靠把文本堆在上下文里硬扛，而应该把结构化状态（已完成的子任务、关键中间结论、待办项）放到上下文之外的存储里，每一步只把当前真正需要的那部分喂给模型。生产级 Agent 的稳定性，往往就赢在这些不性感的工程细节上。：第 3 步拿

模型生成的工具调用参数，和工具真实需要的 schema 之间，永远存在偏差：日期格式不对、把字符串当数字传、引用了一个上文里压根没出现过的 ID。Agent 的「记忆」不该全靠把文本堆在上下文里硬扛，而应该把结构化状态（已完成的子任务、关键中间结论、待办项）放到上下文之外的存储里，每一步只把当前真正需要的那部分喂给模型。生产级 Agent 的稳定性，往往就赢在这些不性感的工程细节上。：第 3 步拿