Prompt engineering 决定模型“听不听得懂你在说什么”；context engineering 决定模型“有没有拿到完成任务所需的信息”；harness engineering 决定模型“即使会犯错，系统还能不能持续、稳定、可控地运行”。如果你只记住一句话，我建议记住这句：Prompt 是输入技巧，Context 是信息架构，Harness 是系统工程。

Scrapling 是一个 Python Web Scraping 框架，可以用来抓取静态网页、动态网页，也可以编写多页面爬虫。它的 API 风格有点像的结合体。

OpenClaw 本质上是一个以 Gateway 为核心、以 Agent Loop 为执行主线、以 Workspace/Skills/Memory 为上下文塑形机制、以 Typed Tools 和 Device Nodes 为行动能力边界的本地优先 AI Agent 平台。它不是把大模型“接到聊天软件上”这么简单。多渠道消息接入会话与状态管理Prompt 动态装配工具执行与权限控制设备节点协同记忆

Prompt Engineering 是 AI 应用开发的入口。它让我们学会如何和模型沟通，如何把需求转成模型可执行的文本。但 Agent 时代的核心问题已经不只是沟通，而是控制。系统要能在多步任务中保持方向，在不确定环境中获取反馈，在失败后修正路线，在成本边界内交付结果。这就是 Loop Engineering 的价值。未来的优秀 AI 应用，不会只是拥有一段神奇的 Prompt。它们会拥有清晰

写 Skill 的核心不是“把提示词写长”，而是把经验变成可触发、可执行、可验证、可演化的过程知识。该出现时能出现：description 命中真实用户意图。不该出现时能克制：边界清楚，减少误触发。出现后真有用：正文给出流程、资源、坑和验证。用久了会变好：有评估、trace、反馈和版本迭代。如果说 prompt engineering 是写给模型的一次性请求，那么 skill engineerin

写 Skill 的核心不是“把提示词写长”，而是把经验变成可触发、可执行、可验证、可演化的过程知识。该出现时能出现：description 命中真实用户意图。不该出现时能克制：边界清楚，减少误触发。出现后真有用：正文给出流程、资源、坑和验证。用久了会变好：有评估、trace、反馈和版本迭代。如果说 prompt engineering 是写给模型的一次性请求，那么 skill engineerin

Workflow：由代码预先规定路径，大模型和工具只是其中的节点。例如“先抽取字段，再校验，再生成报告”。Agent：模型动态决定下一步做什么、调用哪些工具、何时停止。例如“修复一个未知代码仓库里的 bug”，它需要不断观察测试结果、搜索文件、修改代码并重试。Anthropic 在《Building effective agents》中给出的经验很值得作为架构原则：从最简单方案开始，只有当任务确实

skill把团队开发经验沉淀成可执行、可复用、可持续优化的工程资产。前端项目里，它适合固化页面开发、组件开发、联调检查；后端项目里，它适合固化接口开发、Bug 修复、发布检查、并发和一致性检查；团队层面，它适合把 review 经验、测试问题、线上事故反哺进研发流程。不是帮你“多写一点代码”，而是帮团队“更稳定地写对代码”。

只能保证分区内有序，不能保证多分区全局有序。生产端：同一业务键进入同一分区Broker 层：依赖 Kafka 的分区顺序追加机制消费端：避免并发处理打乱顺序用orderIduserIdaccountId这类 key 做分区路由同一 key 保证落同一分区消费端串行或按 key 局部串行业务层增加幂等、状态机、版本控制所以，Kafka 顺序性的正确理解不是：Kafka 帮我保证了所有消息都有序而是：

Prompt engineering 决定模型“听不听得懂你在说什么”；context engineering 决定模型“有没有拿到完成任务所需的信息”；harness engineering 决定模型“即使会犯错，系统还能不能持续、稳定、可控地运行”。如果你只记住一句话，我建议记住这句：Prompt 是输入技巧，Context 是信息架构，Harness 是系统工程。