没有 API Key，没有付费服务，全本地。Skill 里没有"例子"，没有"请尽可能有帮助地回答"这类废话，没有鼓励模型"发散思考"——这就是个程序，模型的任务是执行它，不是发挥它。作者之前写过一篇文章，建了一个挺有意思的类比：传统编程和 LLM Agent 系统之间存在一套对应关系——Skill 是程序，MCP 是库，LLM 是语言。真正有意思的工作在后面：写什么样的 Skill，怎么给它们跑

这篇文章是系列的第一篇，聚焦于工程团队在企业级场景下使用 Claude Code 的最佳实践。

用过 Claude Code 的人应该都有这个体验——让它分析一个稍微大点的项目，它就开始疯狂调用 grep、glob、Read，一个架构问题下去，几十个工具调用跑完，token 哗哗地流走了，钱包也跟着疼。这个项目叫，专门针对这个问题设计的。，MIT 协议，感兴趣直接去试。

很多定义眼下都还在流动之中。社区里也有人提出了不少有意思的补充视角——比如有人觉得应该明确区分"编程 Agent / Agent CLI(命令行应用)““Agent Definition(描述 Agent 行为的蓝图文件,类似 Java 里的 class)“和"Agent Instance(从 Definition 实例化出来的运行进程,类似 Java 里的 object)”;也有人追问:那 MC

把高级的查询规划、路由和"充分上下文"这几样捏到一起，谷歌这套 agentic RAG 系统让 AI 生成的回答变得可审计、可追溯、有据可依。接下来就看机器学习社区会怎么用上这些新的智能体能力，去搭出下一代靠谱的 AI 系统了。目前这个功能已经在Gemini 企业级智能体平台上以公开预览（public preview）的形式开放。

当所有人都盯着「下一个更大的模型」时，Anthropic 却在生命科学这条赛道上，做了一件看起来不那么「性感」、但可能更要命的事——它没有再发一个新模型，而是把科学家每天要在几十个数据库、终端、脚本和绘图工具之间反复横跳的那套「体力活」，一口气塞进了同一个工作台里。近日，Anthropic 正式推出了——一个面向科研人员的 AI 工作台（AI workbench），目前处于 beta 阶段，率先聚

当所有人都盯着「下一个更大的模型」时，Anthropic 却在生命科学这条赛道上，做了一件看起来不那么「性感」、但可能更要命的事——它没有再发一个新模型，而是把科学家每天要在几十个数据库、终端、脚本和绘图工具之间反复横跳的那套「体力活」，一口气塞进了同一个工作台里。近日，Anthropic 正式推出了——一个面向科研人员的 AI 工作台（AI workbench），目前处于 beta 阶段，率先聚

从 3.5 到 5，Sonnet 系列走了一条挺清晰的路：它始终是那个「把 Agentic 能力普及给大多数开发者」的角色。而 Sonnet 5 这一步的意义在于——它第一次让「接近 Opus 的能力」和「Sonnet 的价格」这两件看似矛盾的事，落到了同一个模型身上。对于绝大多数需要长链条、多步骤、能自主收尾的 Agentic 任务来说，这可能正是那个「性价比甜点」。那么问题来了：如果一只 So

从 3.5 到 5，Sonnet 系列走了一条挺清晰的路：它始终是那个「把 Agentic 能力普及给大多数开发者」的角色。而 Sonnet 5 这一步的意义在于——它第一次让「接近 Opus 的能力」和「Sonnet 的价格」这两件看似矛盾的事，落到了同一个模型身上。对于绝大多数需要长链条、多步骤、能自主收尾的 Agentic 任务来说，这可能正是那个「性价比甜点」。那么问题来了：如果一只 So

Qdrant向量数据库的集合概念可以类比MYSQL的表结构，用于统一存储同一类向量数据，集合中存储的每一条数据，在Qdrant中称为点（points），这里的点有数学几何空间的点类似的意思，代表向量在几何空间中的表示（你就当成一条数据看待就行）。创建好集合之后，我们可以向集合添加向量数据，在Qdrant中向量数据使用point表示，一条point数据包括三部分id、payload(关联数据)、向量