内容类型
拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。
439 条精选近 30 天 437 条共收录 1,601 条
作者复盘了一套零第三方依赖的 Agent 调度工作流，只用 Python 标准库加 OpenAI 兼容协议，拆成接入层、调度层、执行层、能力层四层。调度层用 PENDING、RUNNING、DONE、FAILED、SKIPPED 五态状态机和指数退避重试，工具注册用装饰器同时生成函数调用 schema，路由器按模型名推断提供方并配置 fallback 兜底链。
能拿走四层分层、五态状态机加指数退避重试、装饰器生成函数调用 schema、多模型兜底链和显存预算估算公式；可落到本地模型部署与软件工厂调度线，代价是要自己核对量化系数并处理 Ollama 常驻进程重启、核显环境变量等坑。
作者在 W4 教程中从零手写一套完整 RAG 引擎，让 Agent 接入企业私有文档。实现包括按 Markdown 标题层级生成面包屑并带滑动重叠窗口的分块器、纯 TypeScript 的余弦相似度与内存向量库、手写 BM25 关键词检索，以及用 RRF 倒数排序融合两路结果，默认 k=60、初筛 20 条再精排 Top-5。
能拿走一套手写 RAG 全链路，含 Markdown 标题面包屑分块加句子级 overlap、BM25 与余弦双路 RRF 融合、追问改写和 LLM-as-Judge 评分，可直接替换现有单路向量检索；代价是分词只按空白与中文标点切，中文召回质量有限。
作者手写了一套零框架的 SKILL 实现，把技能做成 SKILL.md 加脚本的目录，Agent 启动时只注册 name 和 description 两行元数据，命中后才用 load_skill 装载全文，脚本由子进程执行。
能拿走一套零框架的 SKILL 三件套实现，含 frontmatter 注册、load_skill 装载、子进程跑脚本和五类小模型失控的加固手段，可落到软件工厂的技能编排线；代价是要自己写路径校验、超时和输出截断。
作者做了一个网页工具，粘贴一句大白话就能生成带官方 logo 的工程制图风架构图，推理全部走火山方舟 Seed 2.1。模型只输出 {nodes, groups, edges} 的 JSON 规格，坐标计算、正交走线、图标装配和压线自查都由确定性代码完成，20 句实测全部出图、19 张通过零压线自查，平均 10.6 秒一张，按量计费等价成本约 3 分钱。
可拿走模型只出 nodes/groups/edges JSON、坐标交给确定性排版引擎的分工，配 Playwright 沿边采样查压线，落到软件工厂的图产出环节；代价是要自建中文 logo 词表和图标源，九节点以上布局变差。
WeWorker 作者复盘浏览器 Agent 的像素派与工具派两条路线，说明团队在真实站点跑一个月后因失败不可诊断、改版耐受度低、每步都过模型导致成本高而选择工具派。
可拿走 Adapter 契约加注册中心、manifest 内嵌 requires_confirmation 的写操作安全设计，以及探索 agent 生成只读工具草稿再验证上架的流程，落到本地工具接入和 Agent 派单线；代价是每站首次接入成本高，动态渲染和反自动化站点仍需人工写。
作者在百万 token 上下文可用后实测把中型前端仓库整包塞入让模型改代码，结果模型调用了不存在的 store 方法并改错方向，于是改为向量检索先压到十个片段、再让长窗口做跨文件交叉比对、最后要求三百字内给结论。作者还发现把工具 schema 从对话中段挪到系统段首位后，模型无视工具说明的问题消失，并把系统提示词从一千多字删到不足四百字，只保留任务边界、输出格式和硬性禁止三类内容。
可拿走三段链路（向量检索压到十个片段、长窗口交叉比对、三百字内出结论）和把工具 schema 挪到系统段首位、示例放用户消息末轮的做法，落到软件工厂的代码修改流程；前提是先有可观测性区分没检索到和看到了没采纳。
作者拆解 DeepSeek Harness 团队 10 月底开源的 Super-agent 架构，核心是把单会话 Agent 改成 Router 调度层加 Worker 执行层的常驻系统，Router 只做路由不配执行工具，Worker 隔离并发。
能拿走 Router-Worker 双层配置、AGENTS.md 规则和 Worker 知识库 Schema 三段模板，落到知识沉淀与本地部署线；前提是先把高频知识结构化沉淀，任务复用率低时这套账算不过来。
作者在系列第 9 篇中给出生产 Agent 的三层安全做法，把提示注入、工具越权和执行隔离分开处理。具体包括用带 untrusted 标签的块包裹 RAG 与工具返回内容、服务端 TOOL_ROLES 白名单加 Zod 参数校验、身份只读 RequestContext 并把租户条件写进查询、写操作走 HITL 与幂等键，以及用受限沙箱执行 Shell 和代码。
能拿走一套可落地的 Agent 安全骨架，含不可信内容标签包裹、TOOL_ROLES 白名单、Zod 参数校验、租户条件进 SQL、沙箱策略接口和注入回归用例；代价是权限表与沙箱隔离都得在应用层和运行时自己实现，Prompt 层只能降概率。
NVIDIA 开源的 Auto Ontology 在 Agent 与数据库之间加一层上下文层，先从元数据自动抽取业务术语、SQL 属性和表间关系，经人工测试认证后再让 Agent 基于这些定义写 SQL 并校验，候选覆盖度不足时明确回答答不了。
能拿走的是「生成术语与 SQL 属性、人工认证、Agent 检索后校验」这套流程和 MCP 只读接口清单，可接到企业数据问答线上；代价是摄取接口无认证、默认密码要改，且 SQL 仍由模型生成。
文章解释 KIMI K3 混合注意力中的 KDA 把历史压成固定 recurrent state 和 convolution state，使 Prefix Cache 与 KV Cache 不再等价，恢复点必须是 MLA KV 与两类状态都齐全的共同边界。
能拿走 SGLang 与 vLLM 对 KDA 状态缓存的具体源码入口和函数名，落到本地模型部署这条线，前提是接受 checkpoint 密度换显存与重算的取舍，且 INT8 checkpoint 并非默认开启。
作者给出在 RK3588 上排查模型算子静默回退到 CPU 的完整方法：rknn_init 必须带 RKNN_FLAG_COLLECT_PERF_MASK（值 8）。
能拿走 RKNN_FLAG_COLLECT_PERF_MASK 加 rknn_query 读逐算子账本、按 CPU 时间占比判回退的口径，落到本地模型部署线；代价是 init 漏标志会静默返回空，单次延迟还会虚高约 15%。
Bayze 开源 MCP 工具 bayze-mcp，可在 Cherry Studio、Claude Desktop、Cursor 中用一个调用触发「起草→评审→修订」的跨厂商模型协作。
能拿走一份可跑的 YAML 工作流配置，把起草、评审、修订拆给 DeepSeek、千问、豆包三家模型，接进 Cherry Studio 当 MCP 工具用；代价是要自备各家 API Key，评审门靠 JSON 结论 fail-closed，单次三步约 $0.003、8~15 秒。
RSI-BOOT 把编程 Agent 的项目约定、禁止项和修 bug 教训存进仓库根的 .rsi/ 目录，随 git 流动，并通过 rsi serve 暴露的 MCP 服务供 Cursor、Claude Code、Codex、Qoder、DeepSeek Harness 共用同一份记忆。
把项目约定、禁止项和修 bug 教训写进仓库根的 .rsi/ 并随 git 走，用 rsi serve 暴露 MCP 给 Cursor、Claude Code 等宿主共用，主链路纯 BM25 不调模型不配 Key；代价是每条记忆要人工批准，且 BM25 在答案不存在时仍会返回结果。
程语AI 在 pgvector + bge-m3 环境下实测 HyDE 与多 query 改写两种 RAG 查询扩展方案，给出提示词、RRF 融合代码和分类型评测。
能拿走 HyDE 与多 query 的提示词、RRF 融合代码和分类型评测表，落到知识沉淀的检索链路上；代价是每次扩展多一次 LLM 调用和几路检索延迟，且假设答案不能当事实上下文。
作者复盘 Java 诊断探针的超时缺陷：同一份代码两轮评测从 11/14 通过掉到 0/9，8 次中断耗时挤在 303–313 秒，根因是 future.get(300s) 量的是总时长而非静默时长。
能拿走双尺子看门狗（idle 60s 滑动续期 + total 600s 封顶）、降上下文重试和失败轮记账的具体源码，替换掉单把总时长闹钟的流式调用；代价是 LangChain4j 流式接口返回 void 拿不到取消句柄，只能靠作废标志隔离，服务端计费止不住。
Munk AI 作者用 19 天让多 Agent 团队全权接管开源桌面比对工具 OpenCompare，受理 213 个需求、交付上线 212 个，产出 22.7 万行代码、544 次 Git 提交和 24 个版本（v0.1.0 到 v0.2.23）。
能拿走的是 24 个 Agent 角色的分工边界与值班排班，以及 Open Company 模版可直接 Fork 复用；落到软件工厂这条线，代价是 61.3 亿 Token 和 19 天连续值守。
作者分享用 Codex 通过 Figma 官方远程 MCP 读取设计节点、再分四步还原页面的流程，在自己项目里目测还原度能到 95% 以上。流程是先读设计和项目并复述需求待确认，再按编号列出样式与文字差异清单，确认后动手改，最后用浏览器工具或 Playwright 实际操作页面对照复验。
能拿走的是 Codex 装 Figma 官方插件走远程 MCP 读节点，配四段提示词按读设计、列差异清单、确认后改、浏览器复验推进，代价是受支持名单和每月 20 次读取额度限制。
作者在 2 vCPU / 1.8 GiB 的阿里云 ECS 上只亲手做了两件事，装 DeepSeek Harness 和开通 RAM 子账号，其余建库、部署项目、开二级域名、扩证书、排查故障都交给 Agent 执行。
能拿走一套人机分工模板，人只装 DSH 和开 RAM 子账号，其余建库、开二级域名、扩证书、排障交给 Agent；代价是要自己定授权范围和密钥轮换，写操作还得人工点头。
这篇 Codex 源码剖析（commit d58d0e5841）拆解了执行引擎与沙箱层，指出 Codex 不用 Docker 或虚拟机，而是直接调用 macOS sandbox-exec、Linux Seccomp-BPF 加 Landlock、Windows CreateRestrictedToken 做内核级隔离。
能拿走双端截断的 response_clipped 标签、AST 锚点补丁语法和四级模糊寻址，替换现在全文件重写和行号 diff 的改码流程；代价是要自己实现补丁解析与 tree-sitter 拦截，沙箱部分还得逐平台适配内核机制。
NVIDIA 的 Auto Ontology 项目把业务术语、列映射、连接路径和 SQL 属性做成可修订的语义层，再让查询 Agent 基于这份上下文写 SQL 并检查执行。
能拿走的是语义层接入 NL-to-SQL 的完整链路拆解，含并行提取顺序提交、采样熔断、桥接表补回和三层重试的具体阈值，可落到知识沉淀与本地部署；代价是要人维护术语口径，且意图校验失败会降级放行。