跨越“知道”与“做到”：Agent Skills如何重塑AI的执行能力？
当 AI 从聊天工具走向 Copilot 和 Agent，真正卡住交付质量的，往往不是模型本身，而是缺少一套能重复、能维护、也能沉淀经验的执行路径。本文从 Agent Skills 的定义、工作机制、与 MCP 的关系以及落地方式出发，解释为什么 Skill 正在变成 Agent 系统里的能力封装层。
tag archive
标签：ai-agent
content volume
4
篇可浏览文章
/
all entries4 posts
LLM Wiki：超越 RAG 的持久化知识积累范式
大多数人使用 LLM 与文档交互的方式是 RAG：每次查询时从头检索、拼凑答案，没有任何东西被真正"建立起来"。LLM Wiki 提出了一种完全不同的思路：让 LLM 持续维护一个结构化 wiki，把知识积累成可复合的持久工件，并利用 LLM 把维护成本压到接近零。
Agent Harness：AI Agent 可靠性的真正瓶颈在哪里？
构建 AI Agent 最难的部分不是选模型，而是包裹模型运行的那套基础设施：工具调用、上下文管理、错误恢复、状态持久化、权限控制。这篇文章拆解 Agent Harness 的五大支柱，解释每个设计决策背后的原因与取舍。
Claw Code 架构解析：Rust 如何重塑 AI Agent 的可靠性边界
大多数 AI Agent 框架用 TypeScript 或 Python 构建，Claw Code 选择了 Rust 并基于 Trait 泛型设计了一套完全解耦的运行时架构。这篇文章深入拆解它的核心设计决策：依赖倒置、分层工具系统、分级权限模型、Hook 机制和 MCP 集成。