2026.2 期

• Claude Code 中文教程：系统整理 Claude Code、OpenClaw、Codex 三大模块共 39 篇教程 18 万字，覆盖环境配置、Commands、MCP 集成、Hooks 自动化、Skills 定制、Plugins 生态六类能力模块，提供零基础到企业实战三条学习路径，配 90+ 可运行示例与 230+ FAQ。

2.27

• AI 工程化落地实践：推翻"完美架构"，回归提示词本质：腾讯团队推翻自建 Command/Agent/Skill 三层 + 九步工作流的「完美架构」，受 NotebookLM 与 Claude Code 启发回归提示词本质，提炼「文档即记忆（AGENTS.md 同时给人和 AI 读）、先跑起来、声明式 Markdown 胜过命令式代码」三原则，把规范从代码下沉为文本。

• 一文读懂 Agent Tools，拒绝复杂化、碎片化、黑盒化：从 Agent 工具调用 5 阶段生命周期提炼 Pydantic 类型化、自然语言 Docstring、结构化错误 + ReflectAndRetry、Human-in-the-loop、摘要返回防上下文溢出等设计准则；火山引擎 AgentKit Gateway 自动把 Swagger/OpenAPI 转 MCP，Token 节省 70%、调用准确率 98.5%、响应提速 300%。

• Agent Skills与MCP：一场被误解的“替代战争”：Agent Skills 解决「怎么做才对」——以声明式 YAML 编排业务流程、合规规则与决策逻辑（如客服工单分类、贷款风控 SOP），MCP 解决「能不能做」——以 JSON-RPC 服务化封装数据访问与权限沙箱；二者非替代而是搭档，Skills 调度 MCP 工具构成业务 + 能力双层架构。

2.26

• 如何从零开始实现一个 AI Agent 框架（理论+实践）：理论篇梳理 ReAct、Plan-and-Execute、Reflection/Self-Refine/CRITIC 三大范式与 LangChain/LlamaIndex/AutoGen/CrewAI/LangGraph/Semantic Kernel 选型矩阵，归纳 Agent 工程三大件——LLM Call、Tools Call、Context Engineering，核心引擎是 While 循环式 Agent Loop，结合 Manus「文件系统即上下文」与 CodeAct「代码即 affordance」两条共识。

• AI Agent系列｜深入解析Function Calling、MCP和Skills的本质差异与最佳实践：Lynxe（原 JManus）作者拆解三者递进关系——Function Calling 用结构化 JSON 解决「非结构化转结构化」基础调用、MCP 用 JSON + HTTP 协议把既有系统批量接入降低集成成本、Skills 借 load_skill 函数把 SKILL.md 文字流程动态注入上下文解决任务流程定义难题，三者皆建立在 Function Calling 之上。

2.25

• AI Agent系列｜深入了解智能体工作流核心：Agent vs 传统编程 vs Workflow 的本质区别：以「谁在做决策」为切口对比三种范式——传统编程由程序员把所有规则硬编码、Workflow 由产品在图形化节点上铺设固定路径、Agent 把决策权下放给 LLM 与 Prompt 动态调整策略，分别对应专业编程、图形化拖拽、自然语言三档门槛，修改成本从瀑布协作压缩到业务自闭环，结论是 Agent 适合需要不确定性处理、多轮动态规划的差异化体验。

• Sentinel Java客户端限流原理解析｜得物技术：从 HTTP 请求入口出发串起 Sentinel 客户端全链路——RuleLoader 把流控/集群/熔断/参数/系统规则装入 FlowRuleManager 等管理器，SentinelServletFilter 与 @SentinelResource 切面通过 Entry 进入 ProcessorSlotChain，依次走 NodeSelectorSlot、ClusterBuilderSlot、StatisticSlot、FlowSlot 的 checkFlow，最终落在 ArrayMetric 上的 BucketLeapArray/OccupiableBucketLeapArray 滑动窗口算法做 QPS 统计与抢占式预占。

2.24

• AI Agent系列｜什么是 ReAct Agent？：拆解 ReAct = Reasoning + Acting 的「观察—思考—行动—再观察」循环，依赖历史上下文（History）、当前环境信息、LLM Thinking、toolcall 工具、观察结果五个要素，每轮提示词固定为「历史上下文 + 环境信息 + 用户目标 + 必须至少调用一个工具」，以查天气并推荐穿衣写入文件的三轮 toolcall 为例演示动态决策，胜在面对 API 失败、数据异常时能换关键词或切策略。

• 这个Skill能自动学会你的所有习惯，踩过的坑！：介绍 GitHub 1660 星的 Claudeception 插件（作者 blader），让 Claude Code 把调试中踩过的坑自动蒸馏为新的 Skill 沉淀经验，提供自动 / 手动 / 查看三种模式，自动提取需同时满足「实际探索发现、对未来有帮助、有明确触发条件、已验证有效」四个条件并命中五种触发情境，安装分克隆仓库与配置 Hook 两步、支持用户级与项目级。

2.22

• 2026 就用 Postgres：用「七个数据库 = 七套查询语言 + 七套备份 + 七套监控」的运维税反驳 right-tool-for-the-job——pg_textsearch（BM25）替 Elasticsearch、pgvectorscale（HNSW/DiskANN，对 Pinecone p95 延迟低 28x、吞吐高 16x）替 Pinecone、TimescaleDB 替 InfluxDB、JSONB 替 MongoDB、UNLOGGED 表替 Redis、pgmq 替 Kafka、PostGIS 做 GIS；AI Agent 时代 fork 单库测试远比协调七套快照现实，Plexigrid 合并四库后查询快 350x、Flogistix 数据库成本降 66%。

2.21

• 领域建模之数据模型设计方法论：给出业务模型到数据模型的五步实施流程——识别对象（复用已有模型 / 行业概念 / 名词）、组织对象（合并一词多用与复数、判断属性是否升级为对象）、定义对象间一对一/一对多/多对多关系、完善属性与状态机及边界、领域模型映射到数据模型，并补充派生字段、低级冗余（显示）与高级冗余（计算）、扩展表垂直拆分等工程技巧，以社区团购预排线调度为案例贯穿全程。

2.15

• 检索增强生成 (RAG)：Meta 提出的 RAG 将参数记忆（预训练 seq2seq）与非参数记忆（维基百科密集向量索引）通过神经检索器结合，运行时根据 query 检索相关文档拼入 prompt 再交给生成器输出，从而缓解 LLM 幻觉、无需重训即可接入实时知识，在 Natural Questions、WebQuestions 等基准上生成内容更具事实性与多样性。

2.12

• 从应用架构的视角看退小宝AI助手落地现状：以淘天退小宝助手为案例，对比传统 Web 应用与 AI 应用在响应时间（首字 3s vs 500ms）、可用性（<99% vs 99.999%）、准确率（70-90% vs 近 100%）、成本（Qwen-Plus 千 token 1.4 元）的差异，论证 AI 原生应用优于在旧系统中嵌入 AI，并梳理从直调 LLM API、ReAct Agent 到 Workflow/LangGraph 图结构的演进，统一 LLM、Message、Tool、RAG、State、MCP 等核心概念。

2.10

• 从零开始的大模型之旅｜解码大模型：技术篇1.2-训练技术概念：系统讲解大模型训练栈——自监督学习通过 MLM、NSP、自回归三类 pretext task 从无标注语料学表示，迁移学习用 feature extraction 或 fine-tuning 把通用表示适配下游（情感分类样例从 10 万样本 65% 提到 1 万样本 85%），对比学习用 SimCLR/MoCo/SimCSE 拉近正例推远负例，RLHF 采用 SFT、Reward Model（Bradley-Terry 排序）、PPO 三阶段实现价值对齐。

2.9

• 借助 AI Coding 快速打造 AI Agent 系统：淘天购物场景生成 Agent 从低代码 DSL 迁移到 LangGraph + Agent Skills + A2A + MCP，用 Planner 节点先输出 JSON 计划再按需激活 scene-generation、product-service、persistence-service 等 Skill（三层渐进式披露：metadata→SKILL.md→脚本），解决 ReAct 步骤遗漏与上下文膨胀；落地用 Cursor 做架构与 DSL 转换、AoneCopilot 处理内部协议补全，几天完成重构上线。

• 设计模式Trustworthy Generation：提升RAG信赖度：归纳 RAG 信赖度（真实性 + 完整度）四类根因——检索准确 / 召回不足、内容可靠性、前置 query 改写偏差、生成幻觉，给出四层方案：相似度 threshold / 问题分类 / 关键词触发做关联识别、in-line citation 加 token 级引用标注、CRAG 评估 doc 质量并兜底外部搜索、Self-RAG 自反思决定是否再检索，配合 Pre/Post-retrieve、Pre/Post-generate 四阶段 Guardrails 与 Human-in-the-Loop。

• MySQL 9.5 性能优化终极指南：从 10s 到 10ms 的 5 个核心心法：从表结构（TINYINT 替 INT、DATE 替 DATETIME、IP 存无符号整数、UUID 存 BINARY(16)、范式 vs 反范式）、索引（B-Tree/Hash/全文/空间/前缀/函数索引、覆盖索引、最左前缀、降序索引 DESC、INVISIBLE 索引灰度下线）、JOIN（小表驱动大表 STRAIGHT_JOIN、临时表分阶段）、排序分组（避免 filesort、CTE 预聚合）、分页（Keyset Pagination 替代大 offset、覆盖索引子查询）展开，列出 10 类索引失效场景。

2.6

• 150行 Python 代码,构建一个最简单的搜索引擎，解释它的原理：用 150 行 Python 在英文维基 627 万条 abstract 数据集上手搓全文检索引擎，pipeline 拆为 tokenization、lowercase、去标点、去 25 词停用词、Stemmer 词干化四步 analyze，构建词→docID 的 inverted index 支持 AND/OR 布尔检索，再用 TF × IDF（log10(N/df)）做相关性排序，最终笔记本上毫秒级返回 627 万文档命中结果。

2.4

• AgentScope 正式发布 Skills 支持 - 实现渐进式披露：针对多能力 Agent 上下文爆炸问题，AgentScope-Java 通过 Skill 三层渐进式披露解决——启动时只注入约 100 tokens/Skill 的元数据进 SystemPrompt，触发时用 load_skill_through_path Tool 加载完整 SKILL.md SOP（约 2k），按需再拉 references 与 scripts，并提供 SkillBox、AgentSkillRepository、codeExecution 沙箱抽象，把 Tool 与 Skill 绑定实现联动激活。

• AI 原生研发范式：从“代码中心”到“文档驱动”的演进：阿里提出 Manual SDD（Spec-Driven Development）应对 AI 编程的上下文腐烂、审查瘫痪、维护断层三痛点，把 Spec 作为人与 AI 的 IR 通信协议；落地分 Lite/Team 两档，单兵 SOP 用 Initialization + RIPER（Research/Innovate/Plan/Execute/Review）+ LAFR 全链路，30 分钟跑通 docs/specs/feature-xxx 闭环，并以 Halo SystemConfig API 案例演示。

• 一次大文件处理性能优化实录：4GB / 1.14 亿行 ASCII 文件「删每行中间 1/3」双进程流式处理优化记录，主线是减系统调用、消对象分配、匹配 64-128KB 预读块、绕开 UTF-8 解码；Java 经 BATCH_SIZE=5000 + 64KB 缓冲 + StringBuilder 从 637s 降至 9.2s（69×），再用 8MB 字节数组 + System.arraycopy 手解 \n 降至 5.1s，配合 TCP_NODELAY 与 IO/Processor 解耦最终落到 3.2s。

2.3

• 从传统编程转向大模型编程：钉钉作者主张工程师从 Code 产出者转为 Document 定义者，把日常开发当作人 + AI 结对编程，用「认知缓冲」对抗代码催眠；推荐按安全 → 复杂度 → 成本三档选模型，为每个模型固化 claude.md / gpt.md / gemini.md Prompt 模板，进阶用 SKILL.md + 脚本组成的 Claude Skill 实现 RL Lite 自我进化，最终落到 SDD「文档即源码」的标准流程。

2.2

• A no chatbot data-science Agent —— Pardus。官网：https://pardusai.org/

  • 示例：Global Dividend Yield Analysis: Uncovering High-Yield Investment Opportunities
  • 用户：扔 N 个 csv 表格，一个字都不说
  • 输出：自动生成一份非常完整、详细的数据分析报告，十几个图表，大量数据分析、图形、表格、回归、方差、趋势、结论，分析得一清二楚

• 这大概是我读过关于AI大模型最全面、好读又易懂的文章了：作者白玉光以网络工程师视角科普 AI 大模型基石，从神经网络的输入层 / 隐藏层 / 输出层类比接入-汇聚-核心交换机讲起，逐步拆解单向正向传播、神经元树突 / 轴突、激活函数（阶跃 → Sigmoid）引入非线性、权重与偏置的「先综合后变换」机制，再延伸到大模型推理与训练、GPU 基础设施需求以及 Agent 使用范式，把 token、向量化、蒸馏、温度系数串成一条主线。

• 大模型网关：大模型时代的智能交通枢纽｜得物技术：得物 12 月 Token 用量较 1 月增长 20.63 倍，自建大模型网关采取六步法落地——模型市场、统一 OpenAI like API、全流程成本管控、限流调度容灾、基于 Flink 的分钟级观测告警、API Key 生命周期管理；纳管 140 个内外部模型，上架从 1-2 天压到 10 分钟，Q3/Q4 单百万 Token 成本分别降 51.52% 和 48.37%。

• 生产级Prompt自动化推理评估A/B实验结果的工程实践：将策略调优场景下的 A/B 实验巡检交给 LLM Prompt 推理，按「连续负向 / 趋势恶化 / 负向转正失败 / 正向衰减 / 高波动 / 兜底」六层优先级决策树串行触发，强制流量差 >5% 用千人 DAU 归一化，输出 isRecommendOffline + recommendation 纯 JSON，试运行一周策略下线由 300+ 降到 100+，准确率 68%，人工巡检从 6h/天压到 30min/天。

2.1

• Macbook+OpenClaw+MiniMax+飞书搭建24小时"数字员工"，3W个技能Skills随你调：用 npm install -g openclaw + openclaw onboard 在 MacBook 起本地 Agent，接 MiniMax 海外 / 国内 Anthropic 兼容 endpoint（国内改 baseUrl 为 api.minimaxi.com/anthropic），通过 @m1heng-clawd/feishu 插件 + 飞书开放平台长连接事件回调把 IM 变成入口，再用 npx skills add 接 skills.sh 的 3.5w+ 技能包，配合 Hooks 与定时任务做成 24 小时数字员工。

• 打造Jarvis，OpenClaw很野，但Agent Studio简直变态：作者基于 Claude Agent SDK 自研 Agent Studio（npm i -g agentstudio 起 4936 端口 Web 工作台），5 步通过 Tunely WebSocket 隧道把企业微信机器人接到本地 Agent，对比 OpenClaw 102k stars 多 IM 网关定位，主打四大能力：图形化定时任务（Cron / 自然语言）、基于 SDK 的自定义 Agent、A2A 协议做秘书 / 分布式 / IM 统一网关、以及含 22 个工具的 agentstudio-admin MCP 让 Agent 自己管理工作台。