我在《程序员的底层思维》一书中说过：“计算机科学中的所有问题都可以通过增加一个间接层来解决。”这也是解耦的精髓，比如依赖倒置解耦，就是加入了新的抽象层。我当时还举了一个”我“作为中间层，解耦婆媳关系的例子：）MCP也是中间层解耦。不要让 Agent 直接持有工具的实现，而是在 Agent 和工具之间插入一个中间层——Agent 只负责“描述我需要什么能力”，中间层负责“找到并提供这些能力”。

前段时间写了一篇《这才是单元测试，也许我们之前都理解错了》，文章主要是从概念出发，重新定义了“单元测试”，获得了不少朋友的共鸣。本文可以当着上一遍的姊妹篇来看，如下图所示，在上一篇中，我提出粗粒度单元测试（CUT，Coarse-grained Unit Test）和细粒度单元测试（FUT，Fine-grained Unit Test）两个新概念。对于微服务而言，我们提倡CUT优先，FUT补充的策略

前几天和几个饿了么的同学聊天，一听说他们还在使用COLA 1.0，我二话没说，90度鞠躬，赔礼道歉，虚心聆听他们的吐槽。COLA的初衷旨在控制复杂度，救码农于水火，惭愧的是，早期的思想不成熟，设计也多有缺陷，不仅没帮到他们，反而坑了他们，实在抱歉。实际上，我在COLA 3.0迭代的时候，已经举起奥卡姆剃刀，砍掉了很多东西。然而还不够，主要体现在对架构的思考还不够透彻。因此，经过仔细反思，有了这一版

Cordis 的。

是和DeepSeek Harness一起发布的78页的学术论文。论文给出了""的范式，Cordis是论文的参考实现，dsh 是基于Cordis 之上构建的一个"可被动态拆装、可热替换、可自我演化"的 AI Agent harness 产品。简单来说，你可以认为，dsh是时空可组合性论文的工程实践，论文是dsh的理论升华。

这年头，作为一个技术人，话头里没有“大模型”，和人聊天都聊不下去。为了让自己和大家能更好的参与话头，特撰写此文，提供一些对大模型的基础认知能力（门外汉，浅尝辄止）。旨在解自己的一些困惑，比如，模型是什么意思？千亿/万亿参数意味着什么？为什么大模型如此耗费算力？什么是机器学习？关于什么是机器学习，李宏毅老师在其课程中说地很精辟，即 机器学习 ≈ 机器自动找一个函数f( )函数（function）就是

这年头，作为一个技术人，话头里没有“大模型”，和人聊天都聊不下去。为了让自己和大家能更好的参与话头，特撰写此文，提供一些对大模型的基础认知能力（门外汉，浅尝辄止）。旨在解自己的一些困惑，比如，模型是什么意思？千亿/万亿参数意味着什么？为什么大模型如此耗费算力？什么是机器学习？关于什么是机器学习，李宏毅老师在其课程中说地很精辟，即 机器学习 ≈ 机器自动找一个函数f( )函数（function）就是

这年头，作为一个技术人，话头里没有“大模型”，和人聊天都聊不下去。为了让自己和大家能更好的参与话头，特撰写此文，提供一些对大模型的基础认知能力（门外汉，浅尝辄止）。旨在解自己的一些困惑，比如，模型是什么意思？千亿/万亿参数意味着什么？为什么大模型如此耗费算力？什么是机器学习？关于什么是机器学习，李宏毅老师在其课程中说地很精辟，即 机器学习 ≈ 机器自动找一个函数f( )函数（function）就是

这意味着，技能中可以绑定的上下文量实际上是无限的。需要注意的是，当Skills调用结束，要及时的清理Context，比如pdf表单填写任务完成之后，）实现的，我们可以用下面的方式，把internet搜索包装成一个SubAgent，因为互联网搜索的数据很庞杂，我们不希望这些raw data污染我们的Main Agent。有介绍如何打印日志），可以佐证本Agent的确是如我们期望的那样在运作，下面是本

这年头，作为一个技术人，话头里没有“大模型”，和人聊天都聊不下去。为了让自己和大家能更好的参与话头，特撰写此文，提供一些对大模型的基础认知能力（门外汉，浅尝辄止）。旨在解自己的一些困惑，比如，模型是什么意思？千亿/万亿参数意味着什么？为什么大模型如此耗费算力？什么是机器学习？关于什么是机器学习，李宏毅老师在其课程中说地很精辟，即 机器学习 ≈ 机器自动找一个函数f( )函数（function）就是