过去我们使用大语言模型（LLM），它更像是一个“闭门造车”的学者：知识渊博，但无法感知外部世界，也无法操作任何工具。而AI Agent（智能体）的出现改变了这一切。如果说大模型是智能体的“大脑”，那么Skills（技能）就是智能体的“双手”和“工具箱”。

的方式已经在走下坡路很多教程还在讲 .cursorrules 文件。这个文件放在项目根目录，全局生效，写一堆规则进去。问题在于它是一个单文件，不能按场景激活，不能分模块管理。你的项目有 Java 后端、有测试、有数据库迁移脚本，这三块的规范完全不同。一个文件全塞进去，既超长又难维护，AI 读取的时候也容易被稀释。Cursor 的新系统是 .cursor/rules/ 目录 + .mdc 文件，每个

目前 GPUStack 默认提供的是 GPU 版本 vLLM，因此这里需要手动添加 CPU 版本后端。暂不支持直接在内置 vLLM 后端中通过添加自定义版本实现，这会导致模型部署 Pending。

Kubernetes 是现代微服务架构的核心。核心要点：Deployment 管理 Pod 副本、Service 提供内部访问、Ingress 实现外部路由、健康检查保证可用性。

概念本质组件注册把配置对象存到字典里，模板解析时查找组件实例根据配置对象 + 父组件上下文 new 出的 VueComponentProps父→子，响应式传递$emit调用父组件绑定的回调函数原型链向上查找Slot父作用域渲染，子组件占位挂载。

在 Web 开发里，我们不会为了加日志、鉴权、限流、压缩、异常处理，就重新设计 HTTP 请求流程。它可能不按格式输出，可能跳过步骤，可能忘记系统提示，可能随便编工具参数，可能在应该调用工具的时候直接胡说，可能在应该等待人工确认的时候擅自执行。但随着模型越来越能遵循指令、理解 Skill、使用工具、处理长上下文，过度复杂的图结构会越来越像一种历史包袱。银行转账、库存扣减、权限校验、订单状态机，都应

开发一个 AI 驱动的 IM 应用 Bot 时，某些场景用命令会更快更准确。我的设想是先按空格分割用户输入的文本，拿到第一段去匹配命令字典，如果匹配上了，说明用户想要执行命令，接着交给命令类处理即可；如果未匹配到，说明用户发的只是自然语言，那就需要交给 AI 相关的模块来处理。我在之前一篇介绍方法的博客中有提到过怎么处理命令，不过那里面只能处理简单格式的命令，命令文本只能按空格切片，不支持--xx

grill-me 逼我把这些分支走一遍，该写 ADR 的写 ADR，该找运营确认的当场记下来。这种场景只能拉业务确认，有时候你自己做不了决定，AI 更替你做不了决定，这种情况下的决定往往是错的。grill-me 不一样，它不替你定方案，而是把你的意图和约束挖出来。」每答一个，它会给推荐方案，并确认依赖，比如「这会动到现有权限模型吗？先 grill-me + plan mode 代理先复现代码路径，

本文针对SQL Server 标准版用户，在仅 2~3 台服务器的有限资源下，系统梳理了 3 种官方支持、可实现自动故障转移、数据零丢失的数据库高可用方案，全面覆盖域 / 工作组、有无共享存储等各类业务场景，为预算有限的生产环境提供可直接落地的高可用选型与参考。

一个典型的数据流是这样的：用户点击 → API 请求 → 服务端返回 → UI 展示开发者的价值，集中在界面构建 + 业务逻辑 + 网络通信。但随着以 ChatGPT 为代表的大模型出现，这一套范式正在被悄然改写。这意味着一个关键变化：👉 Android 不再只是 UI 层，而正在成为 AI 系统的一部分。