本文介绍了国内大模型环境下Skill的实现原理及实践应用。Skill作为Agent的"技能包"，包含说明书、可执行脚本和依赖资源，通过三层加载机制（启动时扫描、触发时加载、执行时调用）工作。国内主流大模型（如Qwen、DeepSeek、Kimi）均支持工具调用，采用JSON Schema描述工具功能。文章以阿里云通义千问Qwen为例，详细展示了从环境准备到代码实现的全过程，包括

通过上述案例，我们可以看到for遍历数据：无论是简单的列表、字典，还是复杂的二维网格，for循环都能轻松遍历。枚举尝试：在数独求解中，枚举所有可能数字，是回溯算法的基石。模式生成：杨辉三角的每一行都通过for循环递推构建，体现了循环与数学规律的结合。格式化输出：利用for循环控制打印格式，可以输出美观的图形（如数独棋盘、杨辉三角）。掌握for循环，是通往 Python 编程高手的重要一步。希望本文

本文从系统论与控制论视角重新审视AI应用开发中的上下文工程，指出其本质是构建动态信息系统而非孤立优化提示词。文章系统阐述了上下文工程的四大系统论原则（整体性、层次性、开放性、动态性），并建立了AI应用的闭环控制模型，强调通过观测和反馈实现输出调节。深入解析了写入、选择、压缩、隔离四大核心控制机制的技术内涵，提出记忆系统作为状态反馈的重要环节，并创新性地将RAG框架解释为知识补偿的前馈机制。全文为A

AI是“可控的随机性引擎”：它不是思考，而是基于海量数据做概率性拼接。它的价值在于提供海量的“备选方案”和“脚手架”。开发者是“逻辑约束的定义者”：你的价值不再是写每一行代码，而是：定义损失函数：通过精准提示词和测试用例告诉AI什么是“好”的代码。进行梯度下降：通过迭代反馈引导AI输出逼近最优解。检查过拟合与欠拟合：防止AI写出有安全漏洞（过拟合了坏样本）或逻辑不通（欠拟合需求）的代码。一句话：我

AI助手订机票流程解析 本文通过订机票案例展示AI系统各组件协同工作过程： 用户请求触发工作流：聊天输入启动机票预订流程 Agent智能规划： 分解任务：解析日期、查询航班、筛选符合预算的选项 调用记忆：读取用户偏好（靠窗座位） Skill技能执行： 天气查询Skill验证目的地天气 航班查询Skill通过MCP协议对接航司API 数据交互： 存储体记录用户偏好和查询历史 MCP Server转换

本文结合第一性原理与工程控制论，提出AI Agent开发的务实方法论。首先回归本质，将Agent拆解为单次API调用的基础能力；然后运用控制论思想，强调系统的可控性、可观测性和反馈迭代。文章给出了五步开发流程：从最小可行问题出发，逐步扩展并确保每一步都具备必要性；建立可观测性，优先处理失败案例；通过实际反馈持续迭代。同时指出常见反模式如过度设计、盲目模仿等。最后建议采用分层架构、控制策略和调试工具

本文介绍了国内大模型环境下Skill的实现原理及实践应用。Skill作为Agent的"技能包"，包含说明书、可执行脚本和依赖资源，通过三层加载机制（启动时扫描、触发时加载、执行时调用）工作。国内主流大模型（如Qwen、DeepSeek、Kimi）均支持工具调用，采用JSON Schema描述工具功能。文章以阿里云通义千问Qwen为例，详细展示了从环境准备到代码实现的全过程，包括

今天部署测试环境至华为云，安装ＯＲＡＣＬＥ提示ＳＷＡＰ空间为空，强制安装发现系统闪退。最后发现华为云自带的系统模板和电信云相比较，用ｄｆ　－ｈ　命令查看，发现确实没有ｓｗａｐ分区，还好华为云的帮助文档有介绍，自己也学习一下：场景一：使用块设备创建swap执行以下命令，新建一个分区（以2G为例）。# fdisk /dev/vdb回显信息如下：Command (m for h...

AI是“可控的随机性引擎”：它不是思考，而是基于海量数据做概率性拼接。它的价值在于提供海量的“备选方案”和“脚手架”。开发者是“逻辑约束的定义者”：你的价值不再是写每一行代码，而是：定义损失函数：通过精准提示词和测试用例告诉AI什么是“好”的代码。进行梯度下降：通过迭代反馈引导AI输出逼近最优解。检查过拟合与欠拟合：防止AI写出有安全漏洞（过拟合了坏样本）或逻辑不通（欠拟合需求）的代码。一句话：我

本文从系统论与控制论视角重新审视AI应用开发中的上下文工程，指出其本质是构建动态信息系统而非孤立优化提示词。文章系统阐述了上下文工程的四大系统论原则（整体性、层次性、开放性、动态性），并建立了AI应用的闭环控制模型，强调通过观测和反馈实现输出调节。深入解析了写入、选择、压缩、隔离四大核心控制机制的技术内涵，提出记忆系统作为状态反馈的重要环节，并创新性地将RAG框架解释为知识补偿的前馈机制。全文为A