106 posts tagged with "AI Agent"

RAG 和 Skill 不是替代关系，是解决不同问题的两套机制。混着用很容易踩坑。

1. 本质区别：RAG 按语义检索文档，Skill 按触发词加载流程
2. 必须用 RAG：3 类场景——开放域语料、答案分布广、用户不知道要看哪篇
3. Skill 能替代：3 类场景——知识结构化、触发条件明确、需要本地动作
4. 决策框架：是「检索」还是「执行」？前者 RAG，后者 Skill
5. Claude Code 案例：它用 Skill 不用 RAG，但 Skill 内部可以包 RAG
6. 混合方案：Skill 触发 + RAG 检索子语料，渐进式披露

核心结论：把 RAG 当 Skill 用、或者把 Skill 当 RAG 用，都是常见的设计错误。

三个原因：

1. 信息爆炸：AI 一次吐出的内容远超人能消化的密度，配图塞满模块，看完记不住结论。
2. 宏观对、微观不对：大方向常对得上，细节总差，要反复打磨 prompt。结合上条放大了消耗。
3. 承担更多：AI 让原本不归你干的事也变成了你干的事，加上行业卷效率，总量更大。

三个缓解动作：

1. 加密度上限：配图任务要求"一张图最多 3 个元素"，超出就拆。
2. 前置成功标准：每个 AI 任务先写一句"我需要什么具体结果"，再开工。
3. 明确责任边界：AI 干哪些、你干哪些，不因为 AI 能干就揽过来。

Agent 拿到视频链接只能读字幕，看不到按钮怎么点、报错在哪秒出现。

1. 核心问题：字幕里没有 UI、按钮点击时机、报错瞬间
2. 解决方案：yt-dlp 拉字幕 + FFmpeg 抽帧，按时间点对齐
3. 三档抽帧：快 50 帧 / 默认 100 帧（按镜头）/ 不限
4. 抽帧硬限制：2 fps，>10 分钟视频短促变化会被跳过
5. 时间戳定位：指定「2 分钟附近」重抽帧，画面更完整
6. 集成方式：ClaudeCode 走插件市场，其余装成 agent skill
7. 无字幕兜底：Groq / OpenAI Whisper（要 key）或本地 FunASR SenseVoice（免费离线）
8. 当前版本：0.2.0，仅读不写不剪

Agent 跑得慢，90% 的情况锅不在模型，在架构。架构选错，模型再强也是给一个漏水的桶灌水。

1. 性能瓶颈在哪：不是 token 慢，是 agent 闲着没事干还在转圈
2. 两种范式：Pull 模式（Loop 主动要任务）vs Push 模式（Event 主动叫 agent）
3. 传统 Loop 不是死循环：真正的 ReAct / Plan-Execute 是有终止的思考-行动-观察链
4. Event-driven 核心不是 push：是控制反转——agent 不用关心"什么时候该醒"
5. 适用边界：Loop 适合推理密集，Event-driven 适合 I/O 密集 + 异步多源
6. 反直觉：用错 Event-driven 反而更慢，因为它把"思考"也异步化了
7. 实战选择：高并发客服用 Event-driven，长链科研推理用 Loop

什么时候干什么活，比怎么干活更决定成本——这是架构选择的第一性原理。

记忆污染不是"清缓存重启"能收场的 bug，而是一次系统级的故障状态恢复。

1. 本质区别：缓存异常是死数据、抛错即停；记忆污染是 agent 带着错误记忆继续自主决策，且 自己不知道错了。
2. 攻击面：间接 prompt injection 把恶意指令藏进网页 / 文档，被 agent 写进长期记忆后静默持续执行。
3. 事前 三 道防线：索引与内容分离、容量约束 + 快照漂移防护、写入前准入扫描。
4. 事后三步走：全链路溯源 → 原子化回滚与补偿 → 认知重塑。
5. 两条红线：不设计无限记忆空间、不剥夺用户对记忆的回滚控制权。

海量 Skill 不能全量塞进 prompt，核心是渐进式披露（progressive disclosure）按需加载。

1. 为什么淘汰全量：token 是模型的注意力预算，工具目录涨到 200 个左右，工具选择准确率从 95% 断崖跌到 41%。
2. 三 层渐进式披露：L1 元数据索引 → L2 意图注入 schema → L3 触发 RAG 翻文档，token 开销砍掉 90% 以上。
3. 冷启动延迟：前端轻量路由分流 + 高频工具常驻 KV cache，响应时间缩短 30% 以上。
4. 状态断联：任务快照浓缩执行进度，切技能时注入，新技能原地复活。
5. 反过度设计：二三十个技能别上三层，前置语义过滤 + 精简 prompt 更稳。

面试官三轮的真实考察点，不是会调 API。

1. 一面（项目深挖，70 分钟）：从短期记忆到长期记忆、从成本控制到模型选型，全程追问项目细节，无八股文
2. 二面（系统设计）：从 0~1 搭一套商用 Agent 系统，边画架构图边追问落地细节
3. 三面（认知面/定级面）：聊赛道判断、个人差异化、1-2 年内行业瓶颈预测
4. 面试官要的不是会调框架的人：要的是做稳定、做可控、上线不出事的人
5. 新人别只写 demo：先把 token 机制、注意力机制这些底层搞清，再做有工程细节的完整项目

Pi 突然火，真正的看点不是"它是不是又一个 Coding Agent"，而是 Agent 竞争的评判标准正在换轨：从比功能清单，变成比 harness。

1. 功能清单时代：比谁的 sub-agent、plan mode、memory、MCP 更全
2. Pi 的反常克制：核心只留 read / write / edit / bash，能力全部外置
3. 卖点变了：不是"我帮你做好了一切"，而是"给你一块可改装的底盘"
4. 三条路线：Pi 是可塑底座，OpenClaw 是常驻入口，HermesAgent 是学习循环
5. 新的评判维度：能不能改造、工具怎么接、权限怎么管、上下文怎么压缩

Prompt 像说明书，harness 才是方向盘和刹车——这才是 Pi 这波火起来的底层原因。

换更简单的 Harness，能把 Token 砍掉一半。Pi Agent 是这条线上的典型代表。

1. 同模型实测：Pi 平均 2.82M token，是 Claude Code 5.52M 的 51%。
2. 耗时：Pi 8.75 分钟 vs Claude Code 11 分钟，差距有限。
3. 极简默认：4 工具（read/write/edit/bash），系统提示词 < 1000 token。
4. 双层扩展：Skill 是说明书；Extension 改写 Agent 自身运行方式。
5. 自改造：Pi 自己读扩展文档、自己写代码改 Extension。
6. Sub-agent：靠 Extension 实现，按角色配不同厂商模型和思考强度。
7. SDK 嵌入：把 Pi 核心能力移出终端，作为应用里的 Agent 引擎。

开箱即用选 Claude Code / Codex；想改造 Agent 或嵌进自己的应用，选 Pi。

ClaudeCode 进阶命令 6 件套,把"人在回路内"升级成"人在回路外"。

1. 痛点：Vibe Coding 卡在"敲回车",AI 走一步你推一步
2. 核心枢纽 /goal：把"下一步"换成"终点",AI 自判自跑
3. /loop + /batch：派 AI 等长任务、拆 sub-agent 并行处理
4. /simplify：commit 前的最后一道美容,改风格、不做 bug 检查
5. /doctor + /debug：AI 给自己看病,前者查环境、后者查行为
6. 真价值：把人类角色从操作员升级为产品经理