关于本笔记本笔记用于沉淀 mattpocock/skills 的使用方法与适用场景，目标是把它当作一套可执行的工作流，而不是只记命令。 仓库地址：https://github.com/mattpocock/skills 目录 项目简介 项目结构树 分类与场景 安装与初始化 推荐工作流 决策速查表 配置文件说明（重点） 常见误区与修正 我的最小实践模板 项目简介mattpocock/skills 是一组面向 AI 编程助手的工程技能集合，强调： 用结构化流程降低“需求理解偏差” 用反馈回路（TDD、诊断、分诊）提高可交付质量 用可组合的小技能替代一体化大流程 一句话：让 AI 写得快，也写得稳。 项目结构树123456789101112131415161718192021222324252627282930313233343536373839404142skills/├── CLAUDE.md # 技能目录规范说明├── README.md # 总览与使用文档├── skills/│ ...

关于本笔记本笔记用于沉淀 oh-my-opencode（OMO）插件在 OpenCode 中的使用方法与适用场景，目标是理清四类 Agent 的职责边界，以及如何与 Superpowers skills、vibe 治理流程配合，形成可重复的开发工作流。 项目地址：https://github.com/code-yeongyu/oh-my-openagent 目录 项目简介 项目结构概览（四类 Agent） 四类 Agent 的职责 Agent 组合关系与流转 分类使用场景 选择 Agent 速查表 推荐提示词模板 并发与安全边界 OMO 与 vibe 的关系 项目级增强：AGENTS.md 与任务技能映射 配置文件说明（重点） 常见误区与修正 我的最小实践模板 项目简介oh-my-opencode（OMO）是一套面向软件开发的 Agent 编排系统，它不是单一聊天机器人，而是把开发过程拆成不同角色： 规划 — 想清楚怎么做 深度执行 — 深入解决问题 编排 — 统筹全局推进 按计划落地 — 照既定计划执行 一句话：用对的人做对的事，不把所有期望压在一个 Agent 上。 安装配置 ...

关于本笔记本笔记用于介绍 Agent（智能体）的核心组成（LLM + 工具 + 记忆 + 执行循环）、ReAct 循环机制、Plan and Execute 模式，以及真实开发中的挑战。 目录 什么是 Agent？ 为什么需要 Agent Agent 的核心组成 Agent 是怎么工作的，ReAct 循环 Agent 的另一种工作模式，Plan and Execute Plan and Execute 的两个阶段 ReAct vs Plan and Execute：怎么选？ Agent vs Workflow，什么时候用哪个 Agent 开发的真实挑战 一个真实 Agent 的样子 总结 什么是 Agent？Agent（智能体） ，是一个以大模型为”大脑”，能自主感知环境、做出决策、调用工具、完成多步骤任务的程序。  拆开来看几个关键词： 自主（Autonomously） ：不需要人在每 ...

关于本笔记本笔记用于介绍 Harness Engineering（驾驭工程）的概念，以及它与 Prompt Engineering、Context Engineering 的演进关系，和 Harness 六层核心组件的详细拆解。 目录 这个新词到底从哪儿冒出来的？ 从提示词到 Harness 第一阶段：Prompt Engineering，先让模型「听懂」你 第二阶段：Context Engineering，让模型「知道」该用什么信息 第三阶段：Harness Engineering，让模型「做对」一连串的事 Harness 拆开看，里面到底装了些啥？ 第一层，上下文的精细化管理 第二层，工具系统的可控调用 第三层，任务执行的全局编排 第四层，记忆与状态的分层管理 第五层，独立的评估与观测体系 第六层，约束校验与失败恢复机制 Harness 有什么难点？ 难题一，Agent 跑久了为啥会越走越偏？ 难题二，让 Agent 自己给自己打分，为啥总偏乐观？ 难题三，Agent 总是失败，工程师到底该干啥？ 难题四，规范文件越写越长，为啥 Agent 反而更糊涂？ 难题五，Agent ...

关于本笔记本笔记用于介绍 Function Calling（函数调用）的核心概念，它是一套大模型与 Agent 之间的标准化工具调用协议，告别传统 System Prompt 模式的「猜谜」式开发。 目录 没有 Function Calling 之前：靠自然语言”猜” Function Calling 的出现：告别猜谜，统一规范 Function Calling 三部分核心结构 第一部分：工具定义（Tool Definition），给大模型的「工具说明书」 第二部分：AI 调用格式（Function Call），大模型给 Agent 的「标准化执行指令」 第三部分：工具返回结果（Tool Response），Agent 把结果回传给大模型 对应 Agent 执行流程 一张表看懂：System Prompt 传统模式 vs Function Calling 标准化模式 总结 没有 Function Calling 之前：靠自然语言”猜”在 Function Calling 出现之前，开发者只能把工具的描述和调用规范，全部用 自然语言写进 System Prompt（系统提示词）&# ...

关于本笔记本笔记用于介绍 MCP（模型上下文协议）的概念、三大角色架构（Host/Client/Server），以及它与 Function Calling 的配合关系。 目录 没有 MCP 之前：重复造轮子的噩梦 MCP 的出现：给 AI 工具世界定一个标准 MCP 的三大角色 Host（宿主） Client（客户端） Server（服务端） MCP 和 Function Calling 是什么关系？ MCP Server 的三种能力 Tools（工具） Resources（资源） Prompts（提示模板） 一次完整的 MCP 调用流程 一张表看懂：没有 MCP vs 有 MCP 总结 没有 MCP 之前：重复造轮子的噩梦假设你正在开发一个 Agent，需要它能读取 GitHub 代码仓库、查询公司数据库、操作本地文件系统、还能发 Slack 消息。 每一个工具，你都得自己来： 自己研究这个工具的 API 文档 自己把 API 封装成函数 自己给每个函数写 Function Calling 定义（name、description、parameter ...

关于本笔记本笔记用于介绍 Prompt 的核心概念、System Prompt 与 User Prompt 的区别，以及写好 Prompt 的 6 个核心原则。 目录 什么是 Prompt 为什么 Prompt 很重要？ User Prompt，你说给模型的话 System Prompt，给模型的”规则手册” 怎么写好 Prompt，6 个核心原则 原则 1：给模型”角色”，效果立刻不同 原则 2：正向约束 > 负向禁止 原则 3：喂给它足够的背景信息 原则 4：指定输出格式（Agent 开发的重中之重） 原则 5：Few-shot，给几个例子，胜过写一堆规则 原则 6：让模型”先思考，再回答”（思维链 Chain of Thought） Prompt 的迭代与调试 总结，Prompt 是 Agent 的控制面板 什么是 PromptPrompt 就是你发给大模型的所有输入内容 ，不只是一句简单的问题，而是你塞进 messages 列表里的所有文字：指令、背景信息、参考资料、示例、格式要求……全部算在内，总称 Prompt。 回想上一节中的 messages 结 ...

关于本笔记本笔记用于介绍 RAG（检索增强生成）的核心原理、两大工作阶段（离线建库与在线检索生成），以及语义搜索与关键词搜索的本质区别。 目录 一、大模型为什么「看不到」你的数据？ 二、暴力解法为什么行不通？ 三、RAG 的核心思路：先检索，再回答 四、RAG 的两大阶段 离线阶段 在线阶段 五、关键概念再讲透：语义搜索和关键词搜索的差别 六、完整流程图 七、RAG 在 Agent 里处于什么位置？ 八、一张表看懂：没有 RAG vs 有 RAG 总结 一、大模型为什么「看不到」你的数据？咱们先把问题说清楚，有三类「看不到」，每一类的原因都不同。  第一类：知识截止日期 大模型是用历史数据训练的，训练完之后它的知识就冻结了。比如 Claude 的训练数据截止到 2025 年某个时间点，之后发生的事情它一概不知。你去问它「我们系统今天凌晨发生了什么故障」，它根本没有这份信息，只能瞎猜。 第二类：私有数据 你们公司的 ...

关于本笔记本笔记用于介绍 Skills（技能）的概念，以及它和 Function Calling、MCP 三者之间的技术演进关系与定位区别。 目录 第一阶段：AI 的“破壁人” ， Function Calling（函数调用） 第二阶段：大一统的“Type-C 接口” ， MCP (模型上下文协议) 第三阶段：终极进化 ， Skills（技能）为什么会出现？ 拆解：一个 Skill 的内部结构长什么样？ 灵魂拷问：Skills 不就是高级一点的 Prompt 吗？ 实战加餐：以最近爆火的 Claude Code 为例，看看 Skills 到底有多强？ 总结：理清它们的三角关系 第一阶段：AI 的“破壁人” ， Function Calling（函数调用）咱们先回想一下早期的 ChatGPT。那时的它就像是一个 被关在小黑屋里的超级学霸 ：虽然上知天文下知地理，但他没网（没法查实时数据），也没手（没法帮你真正去执行操作，比如发邮件、查数据库）。 为了让大模型能连接外部世界， Function Calling 诞生了。 用白话说，这就是 大模型和外部世界 ...