继续，今天来学习Skill的使用，要说明的是：目前langchain4j关于SKILL的API尚在试验阶段，未来可能会有较大变化，生产环境使用时，请大家谨慎。skill有多种存储方式，本例直接存放于文件src/main/resources/skills/process-order/SKILL.md。这里我们以订单处理为示例，写1个process-order的skill。

过去很多团队做 AI 应用时，会把 Web 前端、普通后端 API、Agent 服务、模型调用层、工具执行服务、任务队列和日志系统拆开。认证、限流、权限、审计，都必须落到真实接口层。模型会继续进步，Agent 框架也会继续变化，但真正决定团队能不能用起来的，往往是部署、沙箱、认证、Trace、会话存储、模型入口、预算审计和 Git 交付流程。如果你有跨平台、跨业务线、跨供应商的模型治理需求，或者不

尤其是当GPU显卡不多，或者是配置不太给力的情况下，为了确保模型的可用性，建议还是往小了选型，优先保障性能。如果是显卡不太充裕的环境，不是很建议直接上全量的DeepSeek大模型，而且有些硬件对于量化版本的支持并不是很好，反而是BF16原生的格式支持的比较好。因为Qwen系列的模型虽然不大，但是在Vibe Coding方面做的不错，所以这里也介绍一下如何将部署好的Qwen模型配置到AI编程框架中。

分歧来源OpenClaw 处理方式剩余风险层1: 异步更新. gap Filter 改变分布503 pause + PPO clip 训练时知道哪些被 filter 了同步窗口内积压样本 filter 偏差不可消除层2: 训练/部署环境不同 探索/利用差异在线学习: rollout = deploy real-time 数据天然 on-distribution用户行为渐进漂移层3: reward

分歧来源OpenClaw 处理方式剩余风险层1: 异步更新. gap Filter 改变分布503 pause + PPO clip 训练时知道哪些被 filter 了同步窗口内积压样本 filter 偏差不可消除层2: 训练/部署环境不同 探索/利用差异在线学习: rollout = deploy real-time 数据天然 on-distribution用户行为渐进漂移层3: reward

用了很多 App，要么卡片太简陋（只有单词+中文释义），要么复习流程太机械。——有英文释义、有使用场景、有记忆技巧、有发音，还有地道的例句。anki-vocab。它把 Claude（LLM）、OpenAI TTS、Anki 串成了一条流水线，按下一个命令，所有事情自动完成。更妙的是，我发现光"存卡片"还不够。记过的单词得用起来。于是我又加了一个，从你的单词库里抽取词汇，让 Claude 生成一篇考

用了很多 App，要么卡片太简陋（只有单词+中文释义），要么复习流程太机械。——有英文释义、有使用场景、有记忆技巧、有发音，还有地道的例句。anki-vocab。它把 Claude（LLM）、OpenAI TTS、Anki 串成了一条流水线，按下一个命令，所有事情自动完成。更妙的是，我发现光"存卡片"还不够。记过的单词得用起来。于是我又加了一个，从你的单词库里抽取词汇，让 Claude 生成一篇考