组件主要管理对象主要出现阶段解决的问题KubesprayLinux 机器上的 Kubernetes 组件与集群配置集群部署和维护怎么把一批机器安装成 Kubernetes 集群KubernetesNode、Pod、Service 以及 CPU、内存、GPU 等资源长期运行容器放在哪里，运行状态怎么维持KubeRayRayCluster、RayJob、RayService 及其 Kubernetes

透过现象看本质，既然 Cursor 最好用的模式是使用 「claude-4-sonnet」模型，只要笔者能够直接使用 「claude-4-*」相关的模型，那当前工具影响的问题，就应该可以得到缓解。AI 这如火如荼的发展趋势，让笔者越来越觉得，在 AI 的浪潮下如何更快速的适应和使用它们是当前的首要问题了。要好好努力然后多挣钱，才养得起自己这个爱吃的胃，爱玩儿的心，爱逛爱买的习惯就算是一个人往一个人

最近加了很多 Python Coding 的任务，虽然在 AI 加持下能够顺利完成，但是还是觉得心理不踏实，觉得很多代码 AI 写完自己不是很懂，不喜欢这种感觉。需求是需要在客户请求大模型前，提前发送一次请求大模型，确保在客户请求的时候，就可以节省掉 tls 握手和 tcp 建立连接的时间，简称之为预热。之前写的是 golang ，为了用类比法更好的理解 yield ，可以在 golang 中实现

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

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

Multica 给笔者的第一感觉，就是它不只是一个「能启动 AI Agent 的工具」，而是把 AI Agent 放进了一个更接近真实研发协作的工作台里：有 workspace，有 issue，有 agent，有 comment，有 metadata，也有本地 runtime。写这篇的时候，笔者最大的感受是：AI Agent 真正开始参与工作以后，问题就不只是「模型聪不聪明」了，而是「任务能不能被

Multica 给笔者的第一感觉，就是它不只是一个「能启动 AI Agent 的工具」，而是把 AI Agent 放进了一个更接近真实研发协作的工作台里：有 workspace，有 issue，有 agent，有 comment，有 metadata，也有本地 runtime。写这篇的时候，笔者最大的感受是：AI Agent 真正开始参与工作以后，问题就不只是「模型聪不聪明」了，而是「任务能不能被

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

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