摘要： "Skills"标志着AI Agent落地的关键转变：从追求模型智商转向构建稳定的「流程资产层」。其核心价值在于将隐性经验转化为可复用、可版本化、可治理的模块（含checklist、模板、校验器等），通过确定性组件降低长链路任务中的方差（如步骤遗漏、约束丢失等问题）。Skills通过按需加载、状态外部化等机制解决context rot问题，并推动三个发展方向：1）Ski

本文介绍了工具(Skill)的创建与注册流程。主要内容包括：1) 定义工具函数并创建注册表；2) 注册工具时需指定名称、描述和功能；3) 通过Registry类管理工具注册；4) 执行工具时的调用方法。文章提供了代码示例，展示了如何创建一个简单的计算器工具并注册到系统中，最后通过名称调用执行该工具。整个流程涵盖了工具定义、注册到使用的完整生命周期。

本文介绍了Claude Code工具的使用指南，主要包括六个方面：1.基础操作，包括安装插件、常用指令、文件管理和图片处理；2.交互与会话管理，涉及清除上下文、快捷键、中断操作和自定义命令；3.提示与思考策略，推荐使用XML结构化提示和预激活思考模式；4.软件开发实践，强调任务拆解和项目上下文理解；5.成本管理，介绍模型切换和token监控工具；6.进阶功能，如使用Git worktrees实现并

KV Cache是大模型推理加速的关键技术，通过缓存历史token的Key-Value矩阵避免重复计算。其工作原理是：在自回归生成过程中，将已计算的K/V矩阵存入缓存，后续生成时直接复用，显著减少计算量。但KV Cache会线性增加显存占用，导致长文本生成时出现OOM问题。DeepSeek的MLA技术通过压缩K/V矩阵有效缓解这一问题，将缓存体积大幅缩小，支持更长文本推理。KV Cache实现了计

Temperature参数控制AI模型输出的随机性程度，范围通常为0-1。低温度(如0)使模型选择最高概率词，确保输出严谨稳定，适合代码生成；中等温度(如0.7)增加多样性，适合需要创造性的内容；高温度(如1+)会显著提升低概率词的选择机会，可能产生错误但富有创意的结果。在代码编写等需要精确性的任务中应使用低温度，而在解释概念等需要多样表达时可适当提高温度。该参数通过调整softmax函数的概率分

本文探讨了Agent Skills与MCP两种智能体能力扩展范式的区别与协作关系。MCP(模型上下文协议)解决了智能体与外部工具的连接问题，但存在上下文爆炸和能力鸿沟的局限。Agent Skills作为标准化的程序性知识封装格式，通过渐进式披露机制将技能信息分为元数据、技能主体和附加资源三层，按需加载，有效降低了初始上下文消耗。与MCP专注于连接性不同，Skills提供领域专业知识，教导智能体如何

IcePop是一种强化学习中的重要性采样优化技术，主要用于解决训练-推理分布不匹配问题。其核心是通过裁剪重要性权重，限制新旧策略的差异，防止模型更新幅度过大导致训练不稳定。该技术特别适用于GRPO等PPO变体算法，通过强制对齐策略分布，确保训练过程的稳定性。IcePop名称中的"Ice"暗示冻结机制，"Pop"则代表截断操作，其本质是带裁剪的重要性采样优化，

摘要：Claude Code架构解析 Claude Code的核心是LLM驱动的工具调用循环，其智能来源于模型自身的决策能力而非复杂调度。从v0到v4的演进展示了关键设计理念：通过外置认知结构增强模型能力。v0仅用bash工具证明基础循环的可行性；v1优化工程实现；v2引入Todo列表作为外部工作记忆；v3通过子代理实现上下文隔离；v4将知识从参数剥离到Skill文件系统。整体架构保持克制，LLM

本文探讨了智能体能力扩展的两种范式：MCP（Model Context Protocol）和Agent Skills。MCP通过标准化协议解决智能体与外部工具的连接问题，而Agent Skills则提供程序性知识封装，教导智能体如何正确使用这些工具。文章指出MCP虽然解决了"能够连接"的问题，但存在上下文爆炸和能力鸿沟两大局限。Agent Skills通过渐进式披露机制，将技能

Agent Teams是一种多智能体协作系统，允许用户协调多个独立的Claude Code实例协同工作。核心原理是通过团队领导(Team Lead)分配任务，各成员(Teammates)在独立会话中执行任务并通过收件箱系统直接交流。与传统的Subagent模式相比，Agent Teams实现了跨会话协作，成员可自主认领任务并直接沟通，共享带依赖关系的任务列表。使用时需通过环境变量开启功能，支持tm