这是压缩的核心——调一次 LLM，把 middle 段总结成结构化摘要。摘要预算budget = int(content_tokens * _SUMMARY_RATIO) # 被压缩内容的 20%参数值含义0.20摘要占被压缩内容的比例2,000摘要的最小 token 数12,000摘要的绝对上限摘要使用一个12 节结构化模板## Active Task ← 最重要：用户最近的请求，逐字复制##

本文分析了ClaudeCode代理工具与LLM交互的提示词工程体系。该体系采用分层架构设计，包含HTTP头部特性协商、系统提示词、动态上下文和能力声明四个层次。核心系统提示词约3000字，包含8个子模块：安全边界、系统规则、任务规范、风险矩阵、工具优先级、语气风格、记忆系统和环境信息。通过大量"DONOT/NEVER"等负向约束和分级指令，构建了精确的行为约束体系。特色包括：项

摘要：Anthropic发布的工具设计指南强调，工具描述对AI模型至关重要，需像prompt工程一样精心设计。指南提出五个核心问题：1）工具命名需明确用途；2）描述需包含"何时不用"；3）参数说明要具体；4）限制返回值大小；5）错误消息要有指导性。三大框架（ClaudeCode、OpenClaw、Hermes）对工具设计态度不同，其中ClaudeCode的标准最严格。优化工具描

使用设置自定义系统 prompt，用于引导 agent 的行为，但不会")这非常适合构建专用 agent——代码审查员、文档撰写员、SQL 助手——全部使用相同的底层工具。

《语言模型计费方式的隐性成本与优化策略》摘要： 语言模型的计费方式与传统软件截然不同，其核心痛点在于每次调用都需要加载完整对话历史，导致Token消耗呈二次方增长。三大成本来源尤为突出：上下文积累（占主要成本）、工具Schema注入和系统提示加载。针对这些问题，三大框架提出了不同解决方案：OpenClaw采用全量加载但缺乏精细控制；ClaudeCode通过PromptCache缓存机制（节省90%

Hermes 的Goal（目标）：任务的核心目标Progress（进度）：已完成什么Decisions（决策）：做了哪些关键选择，为什么Files（文件）：涉及的关键文件Next Steps（下一步）：接下来要做什么每次压缩不是从头生成摘要，而是更新上一次的摘要——这保证了摘要的连续性，也降低了单次压缩的 Token 消耗。

摘要： 研究发现，AI代理在执行任务时容易忽略位于上下文中间的关键指令（如“不要修改测试文件”），这是由于Transformer架构的固有缺陷——“Lost in the Middle”现象。斯坦福和UC Berkeley实验表明，模型对开头和末尾信息关注度高，而对中间信息权重衰减显著。MIT和Google 2025年研究证实，这一U形偏差是结构性特征，现有模型均未完全解决。三大框架应对策略各异：

计算机基础课程分享计算机组成原理--哈工大链接: https://pan.baidu.com/s/19JORvDfGKXx5Goj2sIhMRw 提取码: 75z7B站链接：https://www.bilibili.com/video/av15123338大数据资料分享牛牛学堂链接:https://pan.baidu.com/s/1LMm7KnRSlaHdnYnuxcR...

LangChain作为一个脚手架 能够快速集成大模型以及实现一些其他格式化功能，本质是为了能够更好的调用相关大模型API以及进行业务逻辑处理。首先要申请API-key 然后本地python调用一下。下面使用Langchain来集成阿里的通义千问。API-Key申请参考链接。LangChain官网地址。LangChain具体能力。langchain依赖关系。

1.主要概念关联分析：从大规模数据集中寻找物品间隐含关系频繁项集：经常出现在一起的物品的集合关联规则：两种物品之间可能存在的关系支持度：数据集中包含该项集的记录所占的比例置信度（可信度）： 对于规则A-->B      定义可信度=支持度（A,B）/支持度（A），即规则在A中的适应程度2.Aprior原理假设四种商品0,1,2,3，则所有可能的项集如下所示： ...