但实际跑了一圈以后，发现它真正想解决的问题不是“多几个命令”，而是给人和 AI Agent 提供一个统一、可脚本化、可复用的工具入口。但如果站在 AI Agent 的角度看，它的意义会更明显：网页是给人看的，命令是给程序用的，结构化输出才是 AI 后续稳定干活的基础。OpenCLI 也提供底层浏览器命令，不过官方文档里说得很明确：这部分主要是给 AI Agent 用的，不是给人手敲的。也就是说，O

但实际跑了一圈以后，发现它真正想解决的问题不是“多几个命令”，而是给人和 AI Agent 提供一个统一、可脚本化、可复用的工具入口。但如果站在 AI Agent 的角度看，它的意义会更明显：网页是给人看的，命令是给程序用的，结构化输出才是 AI 后续稳定干活的基础。OpenCLI 也提供底层浏览器命令，不过官方文档里说得很明确：这部分主要是给 AI Agent 用的，不是给人手敲的。也就是说，O

文章目录1. 写在最前面2. 如何配置文件2.1 编译 c++ 代码——task.json2.1.1 创建 task.json 文件2.2.2 编辑 task.json 文件2.1.3 编译 cpp 文件2.2 调试 C++ 代码 —— launch.json2.2.1 创建 launch.json 文件2.2.2 编辑 launch.json3. 调试4. 碎碎念5. 参考资料1. 写在最前面最

写完之后最大的感受是：自己做的东西虽然能用，但跟 Hermes 这种经过深度设计的系统比起来，确实还有不少可以优化的空间。而且 Hermes 的文档里提到，它的内存架构是「缓存感知」的——系统 prompt 在会话初始化时会被冻结成快照，后续的高频模型调用可以复用缓存的上下文窗口，进一步减少 token 开销。注：这就是「程序性记忆」的威力——Hermes 记住的不是「竞品 A 的价格是多少」（这

写完之后最大的感受是：自己做的东西虽然能用，但跟 Hermes 这种经过深度设计的系统比起来，确实还有不少可以优化的空间。而且 Hermes 的文档里提到，它的内存架构是「缓存感知」的——系统 prompt 在会话初始化时会被冻结成快照，后续的高频模型调用可以复用缓存的上下文窗口，进一步减少 token 开销。注：这就是「程序性记忆」的威力——Hermes 记住的不是「竞品 A 的价格是多少」（这

写完之后最大的感受是：自己做的东西虽然能用，但跟 Hermes 这种经过深度设计的系统比起来，确实还有不少可以优化的空间。而且 Hermes 的文档里提到，它的内存架构是「缓存感知」的——系统 prompt 在会话初始化时会被冻结成快照，后续的高频模型调用可以复用缓存的上下文窗口，进一步减少 token 开销。注：这就是「程序性记忆」的威力——Hermes 记住的不是「竞品 A 的价格是多少」（这

说实话，最开始笔者把 Skill 理解成「只读的知识注入、没有副作用」，后来发现这个理解是有偏差的——Skill 里写的是指令，AI 是会照着执行的，能不能产生副作用取决于 AI 有没有对应的工具，而不是 Skill 本身的限制。整个过程中，AI 真实地调用了 GitHub API，拿到了实时数据，结果是确定的，不依赖 AI 的「记忆」或「理解」。，通过文件的形式注入到 AI 的上下文里。：你提供

MCP 是一个开放协议，允许 AI 工具连接外部数据源和服务。Kiro 原生支持 MCP，可以轻松集成各种工具。},"env": {工具优点缺点Cursor✅ Tab 补全体验极佳✅ 上手简单，学习成本低✅ VS Code 生态完整✅ Composer 模式直观✅ 响应速度快❌ 需要频繁手动操作❌ 不支持自主执行❌ 缺少工作流自动化❌ 没有 Spec 驱动开发❌ 集成能力有限Kiro✅ 自主执行能

笔者个人的简单理解， 「MCP」可以理解成类似于「GRPC」协议的一种协议标准，使用这个协议实现的 server 、client 可以很方便的兼容和适配到其他的大模型应用上。在使用 cursor coding 的时候，因为只需要访问项目内的文件，同时现在也支持运行大部分的 Terminal 命令，所以大部分的时候，是能够满足需求的。为了避免梳理和记忆的内容同质化，在理解 MCP 的概念的时候，笔者

最近一个月又被隔壁项目组借调过去，去搞优先级更高的服务了，不过好在笔者心态好，毕竟接触的越多学习的越多，学习的越多积累的就越多。不过借调到隔壁组的坏处是本职工作 + 借调的双份任务都需要保质保量的完成，导致笔者没有更多的时间学习感兴趣的新知识，刚好周末寒潮来袭，宅在家里学习感兴趣的新知识就是一个很不错的选择了。啦啦啦，终于在周末的寒潮中宅在家里学习了 BeeAI Framework，今日份学习就先