登录社区云，与社区用户共同成长
邀请您加入社区
用 WorkBuddy 做 A股自动复盘时，真正的难点不是提示词，而是稳定、可验证的数据工具层。本文以悟道 A股 MCP 为例，讲清远程接入、工具发现、日期校验、完整复盘，以及如何把同一套能力复用给 Codex、Claude、Cursor、OpenClaw 等 Agent。
模拟查询天气，新增一个文件mcp_weather.py，代码里面主要有三步：初始化、列出工具、调用工具。保存之后点”授权“，下面就会出现的工具列表，如果报错就看具体的错误信息解决就行了。顶上“工具”-“MCP”，点击添加MCP服务。我这里没有做授权，需要的可以自己在代码里加。然后配置提示词和工具MCP。新建一个Agent应用。
2026 年 8 月 5 日,沙利文联合头豹研究院在 GIL 2026 大会上,发布了《2026 年中国智能体(AI Agent)最佳应用实践》报告。报告第一次用市场规模与商业模式的框架,把智能体产业算成了一本账,而不是停留在产品演示层面。它预计,中国 AI Agent 市场规模将由 2025 年的 2.6 万亿元增至 2030 年的 20.1 万亿元。这个复合年增长率高达 50.4%。报告还给出
本文简要介绍了AI Agent、智能体平台、MCP、Skills、OpenClaw和Harness这六个基本概念。这些概念并非孤立存在，而是共同构成了一个功能完备、层次清晰的智能体技术栈，包括大模型LLM、协议层MCP、执行与治理层Harness、平台与框架层OpenClaw&智能体平台、能力层Skills和实体层AI Agent。人工智能的发展已从单纯的模型能力竞赛，全面转向以人工智能体（AI
user prompt就是用户提示词，是我们通过聊天框发送给AI模型的消息，通常是我们提出的问题或想说的话。System prompt是用来描述AI的角色、性格、背景、信息、语气等非用户直接说出来的内容，它与user prompt一起发送给AI模型，以使对话更加自然。auto GPT通过让用户注册一些函数及其功能描述，生成一个包含这些工具信息的system prompt，然后根据用户请求调用AI模
🎯核心结论：AI 工程领域不需要追逐层出不穷的新概念，评判一套方案好坏的核心标准只有一条——是否匹配自身业务复杂度，能否稳定低成本落地。Prompt、Skill、Loop、Graph 不存在谁替代谁，而是一套分层配套工具🟢简单需求→ 轻量化处理（Prompt / Skill）🟡中等复杂度→ 标准化闭环（Loop）🔴复杂业务→ 完整编排架构（Graph）💡最佳学习路径：优先从基础 Skil
很多团队做 AI Agent 时，精力都放在模型能力上：选哪个模型、推理够不够强、上下文窗口够不够长。但 Agent 真正上线之后，最容易出问题的往往不是模型变笨了，而是工具调用链路失控——选错工具、传错参数、副作用不可回滚、权限边界没守住。模型能力有上限，但工具调用是开放的，工具数量会涨、参数组合会变、副作用会叠加。本文拆解 Agent 上线后最容易失控的 4 个环节，以及一个最小可用的工具调用
本期盘点 7 个把运营动作接回 Agent 流程的 CLI、MCP 与自托管入口，重点看任务状态、文件收据、结构化报告、预算和人工接手点。
完整搭建起大模型应用开发的全栈技术体系，离不开一个个核心的技术点。从底层的提示词工程规范、RAG检索增强，到中层的Function Calling工具调用、Skills业务封装、MCP标准化通信，再到上层的Agent智能体自主执行、A2A多智能体集群协作，最后到生产级架构的高可用、安全、可控治理，所有核心技术层层递进、环环相扣，构成了完整的现代大模型开发模式。
Prompt：最轻量，适合一次性简单任务。痛点是数据写死、不可复用Skill：封装指令+脚本，适合重复出现的固定流程。解决数据实时性和逻辑复用MCP：标准化工具协议，适合跨客户端共享能力。成本最高但通用性最强选型原则：一次性用 Prompt，重复流程用 Skill，跨工具共享用 MCP三者可组合：Skill 内部可调用 MCP 工具，不是非此即彼AI 工程化不是堆概念，是按控制粒度选对工具。简单的
MCP 没有发明新的黑科技，但它用“加一层”的经典思路，解开了 AI Agent 工具链中最关键的耦合死结。它让我们看到，大模型与外部世界的交互，可以不再是一堆零乱的胶水代码，而是一套优雅、可复用、可发现的协议。
本文介绍了Regnexe Python实战系列的第五篇，重点讲解如何通过with_directory()实现文件系统目录加载功能，解决开发与运营团队对灵活修改的需求冲突。文章展示了一个插件目录结构示例（包含YAML和Markdown文件），演示了仅需一行代码即可将目录中的插件和Skill注册到Agent。该方法适用于提示词调整、插件管理等场景，但不替代核心业务工具的代码实现。Regnexe-py允
本文记录了AI助手WorkBuddy自主安装everything-claude-code插件的全过程。面对用户指令，WorkBuddy完成了从仓库调研、安全审查到跨平台适配的完整流程：首先识别该插件包含9个Agent定义、15个命令和11个技能模块；随后针对ClaudeCode和WorkBuddy两种不同插件格式（Marketplace机制与SKILL.md文件）进行差异化安装；过程中曾误解用户意
一、引言随着 AI 代理越来越有能力——能够连接数据库、API 和内部工具——它们也带来了围绕安全性与控制的新挑战。我们如何防止一个自主代理误用敏感数据，或者执行超出其预期权限范围的操作？这就引出了 AI 基础设施中的“vault（保险库）”概念。从本质上说，vault 是 AI 代理的一个安全记忆与治理层，旨在管理代理“知道什么”以及“能做什么”。它在确保 AI 系统安全且可控方面发挥着关键作用
《Agent开发入门指南：5个核心概念与实战避坑》 本文用通俗语言解析Agent开发的5个核心概念： Tool（工具）是大模型连接现实的"手脚"，如计算器、天气API等； Function Calling是调度工具的标准化指令机制； MCP协议是工具对接的"Type-C接口"标准； MCPServer是具体实现MCP协议的服务端； Skill是组合多个Too
文章摘要： A2A（Agent-to-Agent）协议是Google推出的智能体间通信标准，旨在解决不同AI智能体间的协作难题。该协议通过定义通用接口规范，使异构智能体能够无缝交互，无需暴露内部实现细节。核心设计包括： 开放中立的治理模式（由Linux基金会托管） 基于HTTP/JSON-RPC的技术栈 四层数据模型（Agent Card、Task、Message、Part） 状态可追踪的任务机制
是一种开放的标准协议，旨在建立 AI 模型（Host）与数据源/工具（Server）之间的一种标准化通信机制。它允许开发者通过一套统一的接口，让不同的 AI 客户端（如 Claude Desktop, IDEs）能够无缝地访问各种工具和上下文数据。MCP 协议的建立，标志着 AI 行业正在从“模型竞赛”转向“生态建设”。通过标准化工具与数据的访问路径，MCP 为 AI Agent 的大规模落地铺平
是一种开放的标准协议，旨在建立 AI 模型与外部数据源及工具之间的通信标准。它类似于 Web 开发中的 HTTP 协议，通过定义统一的交互规范，使得开发者只需编写一次工具集成逻辑，即可让多种支持 MCP 的 AI 客户端（如 Claude Desktop, IDE 插件等）无缝调用。
在AI应用开发中，函数调用（Function Calling）是连接大语言模型与外部能力的关键技术，它定义了模型如何描述和请求执行特定任务。其核心原理在于将自然语言指令转化为结构化的工具调用请求，从而实现代码执行、数据查询等操作。这项技术的价值在于突破了模型自身知识库和计算能力的限制，极大地扩展了AI的应用边界，使其能够处理实时信息、操作软件和访问私有数据。在实际场景中，开发者常面临不同模型平台工
在AI智能体开发中，如何让模型安全、可靠地调用外部工具（如Gmail、Slack、GitHub）是一个核心挑战。传统方法需要为每个工具单独实现复杂的API集成、OAuth授权和错误处理逻辑，导致开发效率低下且安全风险高。模型上下文协议（Model Context Protocol， MCP）的出现，为这一问题提供了标准化解决方案。MCP通过定义一套通用协议，将工具提供方（Server）与使用方（C
