本文详细介绍了如何使用 Testing Library 和 Jest 对 React 组件进行单元测试。通过具体的示例，展示了如何测试组件的行为，包括状态管理和网络请求。文章还解释了 Testing Library 的核心概念和常用 API，并通过实际案例演示了如何模拟用户交互和服务器响应。

本文介绍了在企业中使用pnpm搭建monorepo工程的方案。首先对比了三种常见方案（lerna、yarn workspace、pnpm workspace），选择pnpm因其简单快捷。重点讲解了pnpm工作区的概念和配置方法，通过pnpm-workspace.yaml定义包含的目录结构。随后详细演示了从初始化项目、创建工具库、配置TypeScript和Jest测试环境，到使用Rollup打包成三

随着 ESLint 不断发展，新的配置选项和功能也会不断加入，因此建议定期查看官方文档以获取最新信息

本文详细介绍了 Jest 测试框架中的 jest.fn() 方法，用于创建模拟函数（mock functions）。通过多个实际示例，展示了如何使用模拟函数来控制函数的行为，包括设置返回值、处理异步请求和验证函数调用情况。文章还总结了模拟函数的主要特点和应用场景，帮助开发者在单元测试中更高效地模拟函数或对象的行为，从而提升测试的可靠性和可维护性

在 AI Agent 系统的开发中，“Skill” 这个词被广泛使用，但很少有人给它一个精确定义。设计混乱：一个 Skill 应该多大？应该包含多少能力？边界在哪里？评估困难：如何判断一个 Skill 的质量？什么是 “好” 的 Skill？组合障碍：两个 Skill 如何协同工作？它们的接口应该是什么样的？安全风险：如果 Skill 的边界不清晰，Agent 可能在不恰当的场景下使用不恰当的能力

当我们谈论 AI Agent 的 “Skill” 时，很容易将其简单理解为 “能调用的函数”。但这种理解会让我们在设计复杂 Agent 系统时陷入困境——函数是无状态的、无边界的、无身份的；而 Skill 是有上下文的、有约束的、有自我描述能力的。要理解 Skill 为什么长成今天这个样子，我们必须回到它的起点：2023 年 6 月，OpenAI 发布 Function Calling 的那个夏天

成熟、标准化、开源、规模化。模型层：原生工具调用、超长上下文、多模态理解成为标配，推理能力的分化让 Agent 可以根据任务选择最优模型。框架层：从百花齐放到收敛整合，LangGraph、CrewAI、Agno 等框架各自找到了定位，设计模式趋于成熟。协议层：MCP 和 A2A 等标准化协议开始成型，为 Agent 互操作奠定了基础。生态层：开源模型和工具蓬勃发展，降低了 Agent 开发的门槛，

2024-2025 年，全球 500 强企业中超过 80% 启动了 AI Agent 试点项目。然而，到 2026 年中，真正实现规模化部署的企业不到 20%。从"试点成功"到"规模化落地"之间，横亘着一条巨大的鸿沟。这条鸿沟不是技术能力问题——2026 年的 LLM 已经足够强大，能够处理绝大多数企业场景。治理、安全、集成、运维、组织变革。一个在沙箱中运行良好的 Agent，放到真实企业环境中，

人类的记忆是连续的。你昨天和朋友聊了什么，上周做了什么决定，去年学到了什么教训——这些记忆构成了你理解世界、做出决策的基础。但 AI Agent 天生是"失忆"的。每次会话开始，它们都从零开始。这在简单的问答场景中或许可以接受，但当 Agent 承担越来越复杂的角色——个人助理、项目协作者、长期研究伙伴——跨会话记忆就成为不可或缺的能力。2026 年，跨会话记忆已经从"研究课题"变为"工程实践"。

2025 年初，Andrew Ng（吴恩达）在其 DeepLearning.AI 平台上提出了一个极具影响力的框架——三层循环框架（Three-Layer Loop Framework）。这个框架不是某个具体的算法或工具，而是一种组织 AI 编程工作流的思维模型。它的核心洞察是：AI 编程不是单一维度的循环，而是三个不同时间尺度、不同关注点的循环嵌套在一起。就像操作系统的进程调度一样——分钟级的