操作系统内存管理方式：从连续分配到虚拟内存
操作系统内存管理方式：从连续分配到虚拟内存内存管理是操作系统里非常核心的一部分。程序运行时，指令和数据都要放到内存中，CPU 才能不断取指、执行、读写数据。如果没有操作系统的管理，多个进程会很容易互相覆盖内存，程序也必须直接面对复杂的物理地址。 所以，内存管理要解决的不只是“把内存分给程序”这么简单。它还要负责地址转换、空间隔离、内...
AI Agent 评测：从任务集到长期维护
说明：本文基于 Anthropic Engineering 的文章 Demystifying evals for AI agents 做中文译述与学习整理，并非逐字全译。原文发布于 2026-01-09，作者为 Mikaela Grace、Jeremy Hadfield、Rodrigo Olivares、Jiri De Jongh...
Skill 学习
一、为什么需要 Skill1.1 从重复 Prompt 到可复用能力包 普通 Prompt 适合一次性任务说明。 Skill 适合沉淀长期、重复、稳定的任务流程。 Skill 的核心价值是减少重复解释，让模型在合适场景下自动进入专业工作流。 1.2 Skill 解决的主要问题 避免每次都重新说明背景、规则和输出格式。 把专业领域知...
从提示工程到上下文工程，再到 Harness 工程：AI 应用的工程化演进
文章定位这篇文章面向已经了解大模型、Agent、RAG 基础概念的开发者。它想讨论的问题不是“怎么写出一个更漂亮的 Prompt”，而是 AI 应用在真正落地时，为什么会从提示工程逐渐走向上下文工程，再进一步走向 Harness 工程。 我的理解是：提示工程解决的是“怎么问”的问题，上下文工程解决的是“给模型什么信息”的问题，而 H...
Agent 上下文工程：技术路径演进与落地方法
概述Agent 的能力上限不只取决于模型，也取决于每次调用模型时，我们给了它什么上下文。 早期做大模型应用时，很多工作集中在提示词工程：怎么写 system prompt、怎么约束输出格式、怎么给 few-shot 示例。但 Agent 不是一次性问答，它会持续读取资料、调用工具、写代码、运行命令、处理错误、更新计划。随着任务变长，...
MCP
一、MCP 概述MCP 的全称是 Model Context Protocol，可以翻译为“模型上下文协议”。它不是一个具体的 Agent 框架，也不是某个模型厂商专属的插件系统，而是一套面向 AI 应用的开放协议。它的核心目标是：让 AI 应用能够用统一方式连接外部工具、数据源和可复用工作流。 如果没有 MCP，每个 AI 应用都...
设计模式学习笔记：理解与 C++ 示例
设计模式学习笔记：理解与 C++ 示例一组经过验证的“组织代码的经验”：当对象之间的关系开始变复杂时，设计模式帮助我们降低耦合、隔离变化、复用行为。 一、创建型模式创建型模式提供了一种在创建对象的同时隐藏创建逻辑的方式，而不是使用 new 运算符直接实例化对象。这使得程序在判断针对某个给定实例需要创建哪些对象时更加灵活。关注“对象怎...
智能体通信协议
如何让智能体与外部世界高效交互？如何让多个智能体相互协作？这就需要使用到智能体通信协议了。 目前主要有三种通信协议，这三种协议共同构成了智能体通信的基础设施层。 MCP（Model Context Protocol）用于智能体与工具的标准化通信； A2A（Agent-to-Agent Protocol）用于智能体间的点对点协作； ...
FastAPI学习
常见项目结构12345678910111213141516fastapi-project/├── app│ ├── main.py # 项目全局入口│ ├── core # 核心配置模块│ │ ├── config.py # 全...
RAG-检索优化
混合检索混合检索（Hybrid Search）是一种结合了 稀疏向量（Sparse Vectors） 和 密集向量（Dense Vectors） 优势的先进搜索技术。旨在同时利用稀疏向量的关键词精确匹配能力和密集向量的语义理解能力，以克服单一向量检索的局限性，从而在各种搜索场景下提供更准确、更鲁棒的检索结果。 稀疏向量稀疏向量，也常...