如果一个 Skill 是稳定的、值得长期复用的，那它最后最合理的形态，多半不是只能在某个聊天窗口里被调用，而是应该能直接作为能力对外提供。模型当然重要，但真到了落地阶段，很多时候拉开差距的不是模型多聪明，而是 Skill 写得够不够清楚，边界稳不稳定，流程有没有沉淀下来。2. 如果主架构偏 BS，前期会多做一点抽象和服务化，但这些成本不是白花的，它换来的是后面更低的边际成本和更强的组织沉淀。主要还

本系统通过结合 FastGPT 的知识库管理能力和 LangChain.js 的灵活编排能力，构建了一个可深度定制、易扩展的 RAG 系统。• LangChain.js + RAG：使用 LangGraph 构建复杂 Agent 工作流，支持多步推理、工具链、条件分支等。既然 FastGPT 已经提供了完整的知识库管理和问答能力，为什么还需要构建 LangChain.js + RAG 系统？• L

LangChain.js + LangGraph + @langchain/mcp-adapters（MCP 工具集成）: Next.js + React + Antd + @ant-design/x（AI 对话）• 四种分享方式：Web 页面、iframe 嵌入、Bubble 气泡、API 调用。• 工具调用全流程追踪（start → running → done）• 后台任务执行器（TaskR

WebMCP 是一个严肃的尝试，为这些 Agent 提供了一种与网站交互的原生、结构化方式——没有屏幕抓取的脆弱性，也没有维护单独 API 的开销。调用它，我会给你结构化的结果。是一个提议的浏览器级 Web 标准，让任何网页都能将其功能声明为 AI Agent 可调用的结构化工具。WebMCP 将你的网站变成 AI Agent 可以使用的 API——而无需你构建或维护单独的 API。AI Agen

是一个开源的 Python 库，专门用于快速构建和部署数据科学和机器学习相关的交互式 Web 应用。它的核心目标是让开发者无需前端知识（如 HTML、CSS、JavaScript），仅用 Python 就能创建功能丰富、可视化的 Web 应用。可结合 LangChain、OpenAI 等构建 AI 应用（如聊天机器人、文档问答）。表格、图表（支持 Matplotlib、Plotly、Altair

Spec-Kit 作为 GitHub 官方推出的规格驱动开发工具包，为现代软件开发提供了一套系统化的解决方案。它通过将 AI 编码助手与结构化开发流程深度融合，有效提升了从需求分析到代码实现的全链路开发效率。它将 AI 编码助手与结构化开发流程深度融合，帮助开发者和团队以更加系统化、规范化的方式进行产品和技术开发。：进入项目目录后，启动对应的 AI 助手（如 qwen）开始交互式开发。将复杂开发过

如果子 Agent 执行了 10 次工具调用，直接合并到主 Agent 需要消耗 20+ 条消息的 Token（每次调用包含请求和响应），但通过 SubAgent 隔离后只消耗 1 条最终结果的 Token。子 Agent 执行时可能调用了十几次工具（读文件、调 API、搜索文档等），这些中间过程对主 Agent 是不可见的，主 Agent 只拿到子 Agent 的最终返回文本。SubAgent

Hypercorn: ASGI服务器和WSGI HTTP服务器，支持HTTP/2和WebSocket，具有自动重试、请求超时、连接超时、日志记录等功能。Starlette: ASGI服务器和WSGI HTTP服务器，支持HTTP/2和WebSocket，具有中间件、路由、异常处理等功能。Uvicorn: ASGI服务器，支持HTTP/2和WebSocket，具有自动重试、请求超时、连接超时、日志记

的 YAML frontmatter（name + description），不读取完整内容。• 提取 frontmatter 中的 name 和 description。构建，将技能目录动态暴露为 MCP 服务。execute_python_script 脚本执行。• 返回 SKILL.md 或指定子文件的内容。创建 /common-mcp 端点。创建 /coohom-mcp 端点。创建 /re

"读取文件 X"这样的简单查询是糟糕的测试用例——无论描述质量如何，它们都不会触发 Skills。"如何构建简单的快速仪表板。重复利用脚本如果多个测试用例都导致子代理编写相似的辅助脚本，考虑将其打包到 Skill 的 scripts/ 目录中。评估集维护定期更新评估集，添加新的边界案例和实际使用中发现的误判案例。Skill 的 description 字段是决定 Claude 是否调用 Skill