登录社区云,与社区用户共同成长
邀请您加入社区
Skill本质上就是一个工作流模板。做事方法:你的工作习惯和处理逻辑经验套路:经过验证的最佳实践交付标准:输出格式和质量要求提示词集合:优化过的指令组合Skill就是把你的"工作秘籍"打包成一个模板,以后遇到同类任务,直接调用就行。Skill是Codex的终极核心功能,它能将你的工作方法、经验和标准打包成可复用的自动化模板。避免重复输入提示词将高频任务自动化提升工作效率5-10倍真正实现"用透"C
摘要: 本文探讨了"循环工程"(Loop Engineering)的本质,即通过设计自动运行的循环系统,让AI Agent在外部验证反馈下持续迭代任务。文章指出,有效的循环由三个核心要素构成:明确可验证的目标(Goal)、执行工作流(Workflow)和关键的外部观察(External Observation)。特别强调反馈必须来自独立客观的外部环境,而非Agent自我评估,这一机制与强化学习中"
代码只告诉你"系统现在长什么样",提交历史告诉你"系统是怎么一步步长成这样的"。这两者的差别,就是"快照"和"电影"的差别。提交历史里埋着三类高价值知识:但提交历史也有一个巨大的问题:噪音太多。8,000 次提交里,可能有 3,000 次是"fix bug"、“update”、"wip"这种无信息量的提交。挖掘的第一步,是过滤噪音,提取信号。输出示例:一眼就能看出提交质量:有的提交有规范的前缀(
应用场景:一个支持自然语言交互的智能个人助手,可在手机、网页和命令行中使用。技术栈:KMP (Compose UI, Ktor后端) + OpenAI API + 自定义工具集 + SQLDelight。KMP不仅仅是一个跨平台工具,它更是一种面向未来的全栈开发范式。通过将Android开发中积累的Kotlin经验,平滑地扩展到Web、后端乃至新兴的AI Agent领域,开发者可以构建出高度一致、
摘要:本文解析大语言模型(LLM)应用中易混淆的核心概念——Prompt、Agent、FunctionCall、Skill和MCP。通过定义对比与代码示例,阐明其分层协作关系:Prompt是基础指令,Agent实现自主决策,FunctionCall桥接外部工具,Skill封装可复用能力,MCP标准化工具连接协议。示例演示了从简单Prompt到多工具Agent的渐进实现,最终组合四者构建多功能迷你A
《WordFunney - 文字生存恐怖游戏开发记录》 这是一款基于命令行的文字冒险游戏,采用纯数据驱动设计。游戏通过JSON配置定义所有剧情、选项和状态变化,核心引擎完全解耦。玩家需要在恐怖环境中做出选择,管理生命值、理智值和道具,探索54个互关联节点,达成4种胜利结局或7种死亡结局。游戏采用模块化架构,包含状态管理、剧情加载、节点派发和CLI渲染等组件,支持条件分支、自动跳转和动态效果系统。当
本文探讨了大模型应用开发中的核心问题,总结了Prompt工程、模型输出控制、Agent系统设计等关键环节的技术要点。文章分为六大部分:一、Prompt与输入理解,强调精准翻译意图和上下文窗口管理;二、模型输出控制,提出减轻幻觉的多种策略及结构化输出方法;三、Agent系统设计,解析Agent自主运行机制和多Agent架构;四、模型优化训练,比较微调与RAG的适用场景;五、上下文与记忆管理;六、工程
Pass干啥为什么重要规范化 IR,常量折叠 + 代数化简让后续 Pass 更容易命中模式CSE消除重复计算省寄存器、省 ALU,提升 occupancyInliner展开所有函数调用GPU 不支持 call,必须内联拆解张量指针为底层地址计算连接高层语义与 LLVM IR 的关键桥梁。
这是一个详细的Python爬虫七日学习计划,从爬虫基础与HTTP/HTTPS协议开始,逐步深入requests模块、UA伪装、数据解析(正则、bs4、xpath)、动态网页抓取、反爬应对、数据库存储与清洗,到Scrapy框架和分布式爬虫实战。通过案例和图片演示,帮助初学者构建完整的爬虫知识体系。
最近在研究python爬虫,拿小红书实验了一下。
很多人第一次接触 Python 多线程,都会有一种“会用,但没真正懂”的感觉。明明开了好几个线程,程序却不一定更快;明明逻辑很简单,却偶尔出现莫名其妙的数据错误;明明线程都 start() 了,程序还是卡住不退出。这篇文章就来把 Python threading 一次讲透。不只是“怎么写”,更重要的是“为什么这样写”。
摘要: 本文详细介绍了如何从零开发一个ClaudeCode Skill,即Anthropic AI编程助手的定制化功能插件。主要内容包括:1)Skill的核心机制,通过SKILL.md文件定义任务指令、触发条件和执行逻辑;2)标准目录结构(SKILL.md、assets资源、scripts辅助脚本);3)编写示例(以生成单元测试为例),涵盖YAML元数据、步骤说明与模板引用;4) 安装调试方法,包
这篇文章介绍了9种利用AI技能(Skill/Agent)提升普通照片视觉表现力的工具和项目,涵盖从极简杂志风到电商商品图处理等多种风格。以下是核心要点: 核心推荐 极简杂志风:GC Minimal Zine Poster适合静物、旅行照,通过旧纸质感、留白和单色焦点打造独立出版物质感。 抽象编辑风:Photo Abstract Editorial保留原照片,添加抽象图形面板,适合城市建筑和几何感画
提供学习路径、资源推荐和第一个实战项目的启动建议。
为不同背景的开发者(Android、后端、前端)提供切入 KMP 全栈开发的学习路线图与资源推荐。
本文系统阐述了Kotlin Multiplatform(KMP)在全栈开发中的技术演进与实践,重点探讨了从移动端到AI Agent开发的技术迁移路径。文章首先分析了KMP技术栈的现状与挑战,随后详细解析了核心架构设计、网络数据层、状态管理等关键技术组件。通过智能客服Agent的实战案例,展示了KMP在前后端一体化开发中的完整应用,包括AI能力集成与工作流设计。文章还提供了多平台性能优化建议和测试策
摘要: AI搜索API主要分为两类——SERP型(返回链接,适合SEO)和Agent型(返回正文+AI摘要,适合AI代理)。选型需关注三点:返回内容类型(链接或正文)、计价方式(按次或订阅)、是否支持多引擎与多媒体。Agent型接口(如Tavily、Exa)虽价格较高(约¥60+/千次),但省去抓取和清洗步骤;SERP型(如Serper)成本低(约¥2/千次),但需二次开发。建议分层使用“三档搜索
游戏修改器进化史:从电脑脚本到手机助手 小时候玩游戏总想要一个修改器,作者长大后自己打造了一个独特的自动化助手。这个项目经历了两个阶段: 电脑端开发:通过ADB连接手机,实现截图识别、智能点击和状态验证功能。核心创新在于安全机制设计,确保程序能识别错误并停止操作。 手机端移植:将验证过的Python核心封装进Android应用,使用Shizuku执行操作,Chaquopy打包Python环境,实现
本文拆解OpenClaw的三种多Agent协作模式:主脑+专才、独立共享、混合推荐,同时解读无冲突协作协议三大法则。对比每种模式的特点、适用场景与生产推荐等级,阐明每条法则可以解决的线上故障,并给出不同业务场景选型建议,帮助企业规避多Agent落地的典型坑点。多Agent的典型故障现象:用户一个简单请求,多个Agent互相转发迟迟不出结果;Agent之间循环调用形成死循环;执行智能体随意推送大量中
本文详细介绍了AI编程助手(如CodeBuddy/Codex/Claude)中的Skill机制。Skill是一种扩展能力系统,本质是为AI提供专业培训手册和工作流模板,使其在特定领域表现如专家。文章对比了Skill与斜杠命令的区别,解析了Skill的目录结构、文件格式(SKILL.md的YAML Frontmatter+Markdown指令)及调用流程(分三阶段:启动注册、按需加载、运行时引用)。
在阅读Perfetto的官方文档时候发现有更新一个关于Perfetto使用ai分析的部分,这里把他进行转载分享一下。
Google推出全新Android CLI工具链与Android Skills系统,旨在提升AI代理开发Android应用的效率。Android CLI提供标准化命令集,涵盖SDK管理、项目创建、设备调试等全流程,并与Android Studio深度集成。Android Skills则是面向AI优化的指令包,能根据开发场景自动注入领域知识。该方案解决了传统开发中SDK安装混乱、文档过时、IDE与终
组织知识库 RAG指:用户用自然语言提问(如「最近周报对 PB 粉港口库存怎么看?」),由LLM 驱动的 Agent识别这是需要引用内部文档、政策原文、周报观点的非结构化问题;调用 search_knowledge_base做向量检索;从 Milvus(或内存降级存储)取回相关文本片段;综合片段内容生成带标题、来源、doc_type的自然语言回答。用户问句 → Embedding 向量化 → Mi
智能问数指:用户用自然语言提问(如「青岛港 PB 粉最新库存和环比多少?」),由LLM 驱动的 Agent识别这是需要具体数字、聚合、排名的结构化问题;查看数据库 schema;生成并执行只读 SQL;把查询结果转成带口径说明的自然语言回答。LLM 写 SQL → 服务端 sqlglot 校验 → MySQL 只读执行 → LLM 解读结果。全程不使用向量 / Embedding。
过去两年,大模型的发展速度远远超出了所有人的预期。从 ChatGPT 到 Claude,再到如今层出不穷的 AI Agent,大家讨论最多的话题,始终围绕着模型能力展开:参数规模是不是更大了?推理能力是不是更强了?上下文窗口是不是更长了?
最近,Codex 上线了一个新功能叫 **Record & Replay**,翻译过来就是「录制与回放」。
摘要: Gartner预测2027年底前超40%的Agentic AI项目将因成本失控、不可解释性和故障定位困难被取消。当前AI Agent市场虽规模激增,但成功率仅11%,主因是团队缺乏对业务流程的理解和工程化能力。传统监控体系无法应对Agent的非确定性行为,而**可观测性平台(如AgentInsight)**通过全链路追踪(决策路径、工具调用等)成为关键解决方案。该平台提供R.E.S.T四维
Harness Engineering(脚手架工程)这个概念已经流行一阵了。网上大多数文章都停留在理论层面,反复解释为什么现代 AI 开发不能再依赖单个 Prompt、也不能把模型当成"聪明的代码自动补全"。不过这里有一个实际问题被反复提及:
1、zentao-api、zentao-cli的作用这两个是官方提供的skill,用于基础能力,而 zentao-tour 主要用于禅道功能及对应 Skill 的入门教学,和我们实际业务场景匹配度较低,因此已做移除处理。2、zentao-hybrid是什么呢?为什么需要设计这个这个skill算是zentao-api、zentao-cli的结合体、禅道的开放平台接口文档,具备两个版本: 分别是v1.
摘要:本文介绍在安卓Termux中运行llama.cpp的方法。首先通过apt安装预编译的llama-cpp包,下载Qwen3.5-0.8B量化模型。使用llama-cli工具进行CPU推理测试,模型成功解出了一元二次方程,但存在部分错误输出。最后提到还可通过llama-server启用web界面功能。整个过程展示了如何在移动设备上部署轻量级LLM模型进行本地推理。