精确反馈显著优于无反馈或模糊反馈——在复杂多Bug任务上，精确的失败信息+root cause分析+预防性提示让模型一次修复关联Bug（2轮 vs 4轮）。PID控制信号提供了结构化的"反馈强度"决策框架——u=0.285告诉你"轻度修改就够"，避免了每次都"请大幅重写"的冲动。但诚实说，目前实验中PID数学公式的贡献可能不如"精确反馈内容"本身大。简单任务不需要这些——先评估再决定。首轮通过率>

本文深入剖析Claude Code的harness设计，揭示其核心工程思想。通过分析近20万行TypeScript源码，提炼出6大关键子系统：主循环采用AsyncGenerator状态机设计，子agent系统实现隔离与缓存共享，工具系统遵循fail-closed原则，4层压缩策略优化token使用，扩展机制包含27个生命周期事件，以及自研渲染与跨端方案。研究指出，Anthropic通过将harne

偶然一个机会得以接触一下Arduino，了解一下Arduino代码的编写模式，接触了C++函数封装，算是真正接触了一下项目开发，也意识到项目开发中的种种问题不是写代码能解决的，在阅读别人代码时也需要有科学的方法去读。做此贴，以作总结。目录OTTO指令解码：OTTO机器人驱动源码翻阅：OTTO机器人源码修改：总结：OTTO指令解码：首先这个项目是基于原先otto...

1、H桥默认使能端ENA、ENB置1；IN1置1（0）T1通（不通）、T2不通（通）IN2置1（0）T3通（不通）、T4不通（通）IN3置1（0）T5通（不通）、T6不通（通）IN4置1（0）T7通（不通）、T8不通（通）1、4通电机反转（IN1 = 1；IN2 = 0）【正反是相对于图中所标识的符号来说】2、3通电机正转（I...

精确反馈显著优于无反馈或模糊反馈——在复杂多Bug任务上，精确的失败信息+root cause分析+预防性提示让模型一次修复关联Bug（2轮 vs 4轮）。PID控制信号提供了结构化的"反馈强度"决策框架——u=0.285告诉你"轻度修改就够"，避免了每次都"请大幅重写"的冲动。但诚实说，目前实验中PID数学公式的贡献可能不如"精确反馈内容"本身大。简单任务不需要这些——先评估再决定。首轮通过率>

问题：如何让机器处理和生成人类语言？老路（1990-2016）：RNN → 逐字处理，记忆短LSTM → 记忆好点，但无法并行Seq2Seq + Attention → 能回头看了，但主体还是 RNN转折（2017）：Transformer = 纯注意力架构核心创新：自注意力让所有词直接交互，完全可并行三个方向（2018-至今）：Encoder-only（BERT）→ 理解任务Decoder-on

这类工具更新太快，版本、价格、模型支持和功能名都会变。先定入口：终端、IDE、GitHub、消息渠道，哪个最贴近你的真实工作？再定权限：它默认能做什么，什么动作需要审批，是否有沙箱？再定记忆：项目规则、用户偏好、团队知识如何沉淀和纠错？再定扩展：MCP、Hooks、Skills、插件市场，哪个对你的团队最可维护？最后看成本：订阅费、模型费、迁移费、治理费、运维费都要算。

本文深入剖析Claude Code的harness设计，揭示其核心工程思想。通过分析近20万行TypeScript源码，提炼出6大关键子系统：主循环采用AsyncGenerator状态机设计，子agent系统实现隔离与缓存共享，工具系统遵循fail-closed原则，4层压缩策略优化token使用，扩展机制包含27个生命周期事件，以及自研渲染与跨端方案。研究指出，Anthropic通过将harne

AI Agent 的核心不是“模型更聪明”，而是“系统能围绕目标持续观察、推理、行动和校验”。MCP 解决连接问题：Agent 能访问哪些工具、数据和外部系统。Skills 解决方法问题：Agent 应该按什么流程、标准和风格完成任务。真正可用的 Agent 往往不是单独靠模型、单独靠 MCP、或者单独靠 Skill，而是三者组合：模型负责推理，MCP 负责触达外部世界，Skills 负责把团队经

微调 = 在一个已经学会"通用语言能力"的预训练大模型基础上，用少量特定数据继续训练，让它学会新的技能或适应新的场景。预训练（通用能力）—— 花费千万美元，数月时间↓SFT 监督微调（学会执行指令、掌握领域知识）—— 花费数百美元，数小时↓对齐训练（学会区分好坏、安全负责地回答）—— 花费数百美元，数小时↓部署服务每一步都在前一步的基础上做增量优化。你不一定每一步都需要——很多场景只做 SFT 就