很多人一听到 Skill，就以为它只是“把一段 Prompt 保存起来，下次继续用”。这个理解太浅了。更准确地说，Agent Skill 是一个可复用的能力包：里面有任务说明、操作流程、脚本、模板、参考资料。Agent 看到任务后，可以自己判断要不要用它，真正需要时再把里面的内容加载进来。所以 Skill 更像“新人入职手册 + 工具箱 + 输出模板”的组合。Prompt 是你临时说一句话；Ski

说透推理模型、Function Calling 和 MCP 之间的真实关系。

输出项，英文叫。它的定义非常简单：在一次 Run 的执行过程中，所有“已经发生的事实”被抽象成的结构化对象。我们用一个具体的例子来理解。假设你问 Agent：“北京今天的天气怎么样？在没有输出项的黑盒模式下，你只能看到最终的回答：“北京今天晴天，25度。第一条记录：模型打算调用一个名为 get_weather 的工具，参数是 {"city": "北京"}。这条记录的类型叫做 ToolCallIte

在传统开发中，如果你想让AI Agent去查天气、查订单，通常需要把这些功能写成函数，然后在代码里注册给Agent。每增加一个新工具，就要修改Agent的代码并重新部署。当工具有几十上百个时，这种方式的维护成本非常高。MCP（Model Context Protocol，模型上下文协议）就是为了解决这个问题而诞生的。它是一个标准化的“工具注册与发现协议”。你可以把它理解为AI界的USB接口：MCP

因为 Demo 和生产系统，完全不是一回事。一个简单 Demo 往往只需要：一个模型几个工具一段 Prompt一个基础循环但只要进到真实业务里，问题立刻就来了：上下文越来越长，怎么裁剪工具调用失败，怎么恢复任务做一半断了，怎么续跑改文件、跑命令，怎么审批多轮任务怎么保存中间状态出错了怎么回放多 Agent 协同时，谁调谁、谁持久化、谁负责安全边界这些都不是单纯靠 Prompt 能解决的。这也是 L

如果把 LlamaIndex 压缩成一句话，那就是：它是一套把私有数据接入大模型的工程框架。它不只是帮你做向量检索，而是覆盖数据接入、解析、切片、索引、存储、检索、生成、Agent 工具化和生产治理。面试时最好的回答方式，是先讲定位：它是上下文增强 LLM 应用的数据框架；再讲流程：Reader 读数据，Document 承载原文，Node 进入索引，VectorStoreIndex 支持语义检索

JVM 判断对象是否可回收，常用的是可达性分析。它从一组根对象出发，沿着引用链往下找，能被找到的对象就是“还活着”，找不到的对象就可能被回收。常见 GC Roots 包括栈帧中的局部变量引用、静态变量引用、常量引用、JNI 引用等。用人话说，只要一个对象还能从正在运行的线程、类静态变量或底层引用里绕着找到，它就不能随便回收。JVM 是 Java 后端绕不开的基础。它负责把 class 字节码加载进

很多系统的“压缩”只是让模型把聊天记录总结成一段话。这种做法能省 Token，但不一定能让 Agent 变聪明。真正有用的压缩，应该把原始历史变成结构化资产。建议每次压缩都输出固定字段，而不是自由发挥：goal：当前任务目标，最好一句话说清楚。constraints：硬约束，例如预算、技术栈、域名、合规边界。decisions：已经做出的关键决策，避免下次反复推翻。facts：可复用事实，必须带来

AI Agent 时代，真正决定产品能不能跑起来的，不只是模型能力，而是 Token 消耗、工具调用、上下文管理、缓存策略和成本护栏。2030 年 Agentic AI 月度 Token 处理量或达120 千万亿Chatbot 是一次问答，Agent 是多轮规划、执行、校验没有预算、缓存和路由，Token 会变成成本黑洞。

如果只看聊天框，WorkBuddy 很容易被误解成“又一个套壳 AI”。但如果看编排层，你会发现它想做的不是聊天，而是把办公任务变成可执行流程。路由层解决“这个任务该交给谁”，编排层解决“这些人怎么协作把事情做完”。它要理解需求、拆任务、派 Agent、调工具、管状态、做质检，还要在高风险动作前把刹车踩住。这也是 AI 办公助手真正进入生产力阶段的标志：不是回答得像人，而是交付得像同事。能不能做到