一个 Agent 能做的事情终归有限。当你试图让单个 Agent 去完成一个真正复杂的任务——比如从零开始做一次完整的市场调研并输出 PPT 报告——你会发现它要么因为上下文窗口塞满而"失忆"，要么因为角色定位太泛而每一步都做得半吊子。这就像让一个人同时当产品经理、数据分析师、设计师和文案，不是不能做，而是每个环节都很难做到专业水准。

前段时间折腾OpenClaw，照着官方文档把新闻获取的流程跑通了，能定时执行新闻获取并推送，感觉还行。

当通用 AI 编程工具遇上垂直行业，为何总出现 “代码合规性不足”“业务适配度低”“工具衔接断层” 三大痛点？答案很简单：通用能力无法替代专业沉淀、标准连接难以适配复杂场景、工具割裂会拖慢全流程。而 AI 编程工具 + Skills+MCP+Tools 的协同架构，正以 “专业赋能 + 标准连接 + 能力延伸 + 核心载体” 的闭环逻辑，打破这一困局。从金融科技到工业互联网，从医疗健康到电商零售，

当通用 AI 编程工具遇上垂直行业，为何总出现 “代码合规性不足”“业务适配度低”“工具衔接断层” 三大痛点？答案很简单：通用能力无法替代专业沉淀、标准连接难以适配复杂场景、工具割裂会拖慢全流程。而 AI 编程工具 + Skills+MCP+Tools 的协同架构，正以 “专业赋能 + 标准连接 + 能力延伸 + 核心载体” 的闭环逻辑，打破这一困局。从金融科技到工业互联网，从医疗健康到电商零售，

当通用 AI 编程工具遇上垂直行业，为何总出现 “代码合规性不足”“业务适配度低”“工具衔接断层” 三大痛点？答案很简单：通用能力无法替代专业沉淀、标准连接难以适配复杂场景、工具割裂会拖慢全流程。而 AI 编程工具 + Skills+MCP+Tools 的协同架构，正以 “专业赋能 + 标准连接 + 能力延伸 + 核心载体” 的闭环逻辑，打破这一困局。从金融科技到工业互联网，从医疗健康到电商零售，

咱们可以把大模型想象成一个“超级大脑”，技术栈就是为了打造和运转这个大脑所需要的一整套工具、方法和技术的集合。

咱们可以把大模型想象成一个“超级大脑”，技术栈就是为了打造和运转这个大脑所需要的一整套工具、方法和技术的集合。

你们用的 Agent 框架是什么？ReAct 还是 Plan-and-Execute？**我：我们主要用 ReAct，就是边想边干的那种。模型每走一步看一眼结果再决定下一步，灵活度高，用户中途改需求也能跟上。Plan-and-Execute 我们也试过，先出计划再执行，省 token，但一旦中间出岔子就不好处理。所以实际是混着用：大体上先有个计划，执行细节里遇到异常再切到 ReAct 模式局部调整

你们用的 Agent 框架是什么？ReAct 还是 Plan-and-Execute？**我：我们主要用 ReAct，就是边想边干的那种。模型每走一步看一眼结果再决定下一步，灵活度高，用户中途改需求也能跟上。Plan-and-Execute 我们也试过，先出计划再执行，省 token，但一旦中间出岔子就不好处理。所以实际是混着用：大体上先有个计划，执行细节里遇到异常再切到 ReAct 模式局部调整

最近和很多研一、研二的同学聊，发现大家自学大模型时普遍会走一些弯路。我把通往大模型工程师的技术栈整理成了清晰的三步，希望能帮大校准方向，看清自己的位置：