计算机视觉的原理和最佳实践，正在直播！

网络文章文本的 skill，昨天我实现了之后也就开始好奇起 Skills 的底层原理了——相比起各种花里胡哨的 agrnt 应用，我一直以来都很对大模型在纯粹的 HTTP 交互层面是如何交互的更感兴趣。Skill 的全部"魔法"都发生在 system prompt 的措辞和 SKILL.md 文件的编写质量上——本质上是一种 prompt engineering + 文件系统的组合。但是各种天花乱坠的 skills，是如何在底层的 HTTP 中，与大模型——这个只会嘴遁的工具交互的呢？

关注腾讯云开发者，一手技术干货提前解锁👇AI Infra科普、入门或者进阶 ～～ 不到 5 万字，带你融会贯通理解大模型的数学、算法、硬件到系统工程。任何问题欢迎沟通交流。可怕，我竟然有点认同这句话。当然大概率是因为姚顺宇太懂AI了，而我则是因为无知者无畏。不过仔细想想，大模型推理中的数学逻辑确实不复杂，很多原理只需要高中数学知识就能看懂。但是为什么像 vLLM 这种推理系统这么复杂呢？本文将拆解大模型中几个核心操作（RMSNorm、Softmax、Causal Mask、Sampling）背后的数学与

System Prompt 是剧本，Skill 是剧本的扩展包，Agent Loop 是演员按剧本行动。欢迎留言，我们将邀请作者针对性回复你的评论，我们将选取1则优质的评论，送出腾讯云定制文件袋套装。，让 Agent 能主动"巡逻"，而不只是被动等待用户消息。OpenClaw 的 System Prompt 分层结构。的"行为底线"，任何 Skill 或用户命令都无法覆盖它。精华 2：Skill 的"按需加载"避免 token 浪费。精华 1：System Prompt 是"分层乐高积木"

一个看似简单的需求，背后可能牵动服务调用链、配置、灰度、埋点、错误码、接口契约和历史兼容性。当 AI 开始快速生成大量代码，真正的瓶颈就不再是"写不出来"，而是"看不完、想不清、管不住"。在对话式编码阶段，一种典型的工作模式逐渐流行：开发者把需求丢给 AI，扫一眼输出"看起来对"就直接采纳，不审 diff、不追问逻辑、不验证边界。以音乐商业化业务为例，一个需求可能从 TAPD 单开始，经过需求评审、技术方案、服务影响面分析、IDL 契约变更、业务代码实现、测试验证、CR、灰度上线，最后才进入稳定运行。

同时，强制要求散落各处的决策记录（Slack、邮件、文档）全部迁移至代码仓库，确保 Agent 的唯一信息来源是可信的、版本受控的仓库。更坑爹的是，研究表明，当上下文过长时，模型会出现"中间遗忘（Lost in the Middle）"现象：它对开头和结尾的内容记忆较好，对中间大段内容的关注度大幅下降。这篇文章，我想带你完整走一遍这三次进化的逻辑：它们分别解决了什么问题，它们之间是什么关系，它们的边界在哪里，以及：当三者融合，AI 工程师的终极形态究竟是什么？大语言模型的本质，就是这位金鱼助理。

所以每一轮改动都是有据可查的，不是「感觉这里可以优化」，而是「Case 41 挂了，因为 agent 把离职问题路由到了邮箱分类，但正确答案在通讯录，所以我改 root_index.md 加个易混淆提示」。但让我最后决定把它记录下来的，不是这的个「吸收」过程，而是它真的在替我探索我不想费脑力触达的边界，这看起来更像是一个机器智能应该有的样子。不准跨层，每轮只改一层的东西。但我经过这 19 轮之后觉得，更准确的描述是互补——你在明处看着，AI 在暗处替你试错，你看不见的那一半就是 AI 能贡献的地方。

关注腾讯云开发者，一手技术干货提前解锁👇业务系统复杂性一直是令开发者头痛的问题。复杂的不是增加一个需求需要耗费多少时间，而是在增加一个需求后带来的蝴蝶效应：其它功能会不会受到影响、要如何去找到这些影响，最终如何实现系统正常运行......功能之间隐秘增加的耦合、不可避免的代码腐化在导致业务复杂性增加。大家都在说的软件开发提效到底在提什么？程序员日常工作中应该如何提升开发效率？敏捷开发、瀑布流式开发孰是孰非？欢迎阅读。业务背景与目标我依然非常清晰地记得某个时候，我所在团队 Leader 曾讲过一段话：“我担

在 AI Agent 领域，Multi-Agent Harness 指的是把多个 Agent 的能力、工具、状态、通信、编排、监控统一收束在一个运行时之内的框架。第三，Agent 路由。一个输入框，一个大模型，几个工具，一段写得很漂亮的 System Prompt，再配上一个炫酷的前端，看起来就像一个能干活的“数字员工”。Multi-Agent 完全不一样——它有计划、有中间步骤、有工具调用、有 Agent 协作、有重试、有反思、有最终合成。增加 Budget、权限、重试、压缩、轨迹评估、审计、回归测试。

两个月 5.2 万 Star，Hermes Agent 用一个"LLM 审判官"机制实现了 Agent 的自我进化——不改模型权重，只改"怎么用模型"的策略。OpenClaw（社区昵称"龙虾"🦞）是 2025-2026 年最火的开源 Agent 框架，30 万+ Star，插件市场 ClawHub 里有数千个插件，能接入 Telegram、WhatsApp、Slack、飞书、企业微信——几乎是一个"个人 AI 操作系统"。Skill 是英语写的，Memory 是英语写的，审查 Prompt 也是英语写的。

传统 Infra 追求横向扩展，而 AI Infra 呈现 “AI 大型机”特性，是因为传统后台服务的可以容忍毫秒级延迟，但 AI 集群不行，GPU 的算力是 CPU 的数百倍，微秒级的延时等待也会造成很大的算力损耗，需要硬件的高度集成。在可预见的1-3年的未来，这样的专用硬件+网络的集中式架构很难发生比较大的改变。与之相似，模型推理的批处理就是将多个输入样本打包（batch），将原本串行的 N 次轻量的推理计算，合并为 1 次重量的计算，实现单位时间内处理更多的请求，提高了 GPU 利用率。

永远没有正确架构，你永远无法偿还完所有的技术债务，如同你永远不会设计出完美的界面，请避开完美主义的陷阱，永远没有完美的代码，能够满足当前需求，又为未来不管是自己还是他人留有扩展空间，就很好了。我们努力的方向就是将现实世界映射到有限的数据结构中，这就需要用户自定义类型，如果你的代码中包含类似 trader portfolio 这样的概念，你就可以使用他们的名称来建模，而不是使用基本数据类型复杂嵌套表述你的目的。从另一个角度看，代码里的注释都是补丁，是碎片化的，局部的注释很难推导模块整体的顺序及耦合关系。

这样一来可以直接复用已有的计算缓存，只为新增的增量部分付全价，前面累积的大头按约 1/10 的缓存价计费。所以实际的工具组合方式是灵活的：Grep（默认模式）→ Read 是最常见的路径，但 Grep（content 模式）可以独立使用，LLM 也可以直接调 Read（如果已经知道文件路径），或者一次同时发起多个 Grep 并行搜索。它从零开始构建自己的对话历史，不继承主对话的消息，这意味着它搜索过程中产生的大量 grep 结果、代码片段都留在自己的 context 里，主对话只收到一段总结性的文本结论。

在智能体生命周期的关键节点（如会话开始、工具调用后）自动触发预设动作（如代码格式化），由系统确保关键流程被执行，不依赖可能被模型遗忘的指令。简单讲就是利用向量存储这个技术，来实现模糊检索，原理是：即使字面不同，但语义相近的文本，其向量在数学空间中的位置也很接近。根据命令类型、参数和影响，自动评估其风险等级（安全、有风险、危险），并采取自动执行、请求确认或直接拦截等不同策略。关键特性是可隔离、可重建、可扩展。不是一次判断就定终身，允许你改变、允许情况复杂，通过不断观察、思考、调整，越来越懂真实的你。

但如果这些经验被拆成一条条 Rule、一个个 Skill、一项项 Script 检查——"XAML 不能有中文"、"编译要用这个路径的 MSBuild"、"SVN 命令必须带认证参数"——AI 就能在秒级时间里"吸收"十年的踩坑经验。然后可以看到下方的图，我的PM会很顺利的调度其他agent分别负责不同的事项，遇到问题的时候也能准确的找到合适的agent。MCP 本质上是在扩展 AI 的"感知范围"——Rule 管"该怎么做"，Skill 管"怎么操作"，MCP 管"能看到什么、能碰到什么"。

需要注意的是，这一结论是有条件的：如果 AI 缺乏领域知识，过早介入反而可能引入 1.2 节所述的"似是而非"损耗——因此上下文供给（实践 1）是 AI 全链条参与的前提，而非结果。通过一个专门的自迭代 Skill 实现——当 AI 在协作过程中识别到自己被纠正（用户否定了 AI 的输出并给出了正确方向），它自动评估这个错误的根因，搜索现有的 Rules 和 Skills 中是否已有针对该类问题的处理规则。事实上，越是复杂的项目，工程师的认知负担越重（公理 3），AI 分担认知负担的潜在边际价值也越大。

关注腾讯云开发者，一手技术干货提前解锁👇Harness Engineering 的概念已经火了有一阵了，全网很多文章基本都是在讲理念，讲为什么今天做 AI 开发，不能只靠一段提示词，也不能把模型当一个“更聪明的代码补全”。但与此同时，一个问题也在持续地发酵：这个问题特别重要。因为 Harness 这个词听上去很大，很像一个抽象的方法论，但它如果不能落到工程、目录、文档、脚本、工作流里，那它最后就只是一句漂亮的话。事实上，不同项目落地出来的 Harness，表面上可能完全不一样。有的项目是 CI 很强，有的

多账号矩阵运营 如果你的业务涉及同时管理多个社交媒体账号、多个平台的内容分发、多渠道的客户互动——OpenClaw是目前市场上的"无可替代的底座"。一个有专业背景的个人，现在可以快速构建一个垂直领域的AI助手：比如"财务分析Hermes"、"法律咨询Hermes"、"技术架构Hermes"，直接通过微信提供服务，积累自己的专业IP。跨平台生态融合 如果你的工作流涉及飞书、Slack、Discord等多个平台的深度集成，需要这些平台之间的数据流转和联动——OpenClaw的生态支持是强大的。

而研发模式的升级我认为将会是一个飞跃的过程，之所以现在我们仍然需要需要参与编码，一个非常大的原因就是缺乏传感器和基建，仍然需要人来串流程，比如需要人来验证UI是否正确、需要人来告诉AI代码不符合代码规范，因此在有些场景我们仍然感觉 AI 完成的很吃力，但这不是 AI 能力不行，而是我们并没有为 AI 提供友好的环境……控制论中的突变理论介绍了矫枉过正和飞跃现象之间的矛盾，如果质变中经历的中间过渡态是不稳定的，那么他就是一个飞跃的过程，如果中间过渡态是稳定的，那么他就是一个渐变的过程。但是这些阶段要解决的。

这个架构是翻了几次车才想通的—原有AI的实现机制是用 setTimeout 猜动画时长导致了幽灵 NPC、工位撞车、越改越崩，后面我停下来换了思路，推翻原有的架构，按照“意图+回传”的架构进行重构，之前的问题一次性全部解决。15 天，我和 AI 吵了 185 次架， 4.5 万行代码，开发了一款 QClaw / OpenClaw 的UGC游戏插件，这可能是人类跟 Agents 交互的新范式，插件已完全开源，有需要的欢迎自取～我天天用，用着用着我就在思考，Agent 产品现在的交互体验，基本都一个样。

Voyager 是一个能在 Minecraft 中自主探索、学习技能、无限积累能力的 AI Agent，它提出了 "Skill Library"（技能库）的概念——Agent 将成功的行为序列编码为可复用的技能函数，存储在一个持续增长的代码库中。如果 Skill 的名称和描述不够精准，或者用户的任务描述与 Skill 的触发条件有语义差距，Agent 可能会错过相关的 Skill。如果进程在写入过程中崩溃，目标文件要么是旧内容（还没被替换），要么是新内容（替换已完成），绝不会出现写了一半的损坏文件。