2026-05-15

A2A协议与Agent生态全景 前面咱们学了 MCP（Model Context Protocol），它是一个让 AI 发现和调用工具的标准化协议，本质上解决的是垂直方向的问题——一个 Agent 如何获取和使用外部能力。 但现实世界中的工

龙虾OpenClaw深度解析：从对话到执行的跨越 2026 年初，如果你问任何一个程序员"最近在干什么？"，十有八九会听到同一句话——"养龙虾"。 什么龙虾？不是餐桌上的麻辣小龙虾，而是一个叫 OpenClaw 的开源 AI 智能体框架。它

推理模型详解：当AI学会慢思考 前面讲过 CoT（思维链）——让模型在 Prompt 里一步步写出推理过程，提高复杂问题的准确率。当时提到"一些模型内置了深度思考能力"，但没展开。 2025 年下半年开始，AI 领域最大的变化之一，就是推理

AI驱动开发新范式：VibeCoding与智能IDE 如果你是 Java 开发者，你大概率已经用了很多年的 IntelliJ IDEA。写代码、运行、调试、部署——这套流程熟悉到肌肉记忆。 但在 20252026 年，有个新词开始频繁出现在

ComputerUse与Agent安全：当AI有了手脚之后 OpenClaw 那篇咱们聊到，它最大的突破是让 AI 真正"动手"——操作文件系统、浏览器、Shell。推理模型那篇讲到，AI 学会了"慢思考"，变得更聪明。但你想过没有，一个又

图结构：Graph RAG 传统RAG的套路是：用户问一个问题，去知识库里找到最相关的几段文字，交给大模型生成回答。这个模式处理"单跳"问题很在行——答案就在某一段文档里，找到就行。 但有些问题不是这样的。 比如用户问："教《Spring

Embedding向量化原理与模型选型 假设你是个媒人，手里有1000个单身男女的资料，要给他们配对。 每个人的资料是一段文字描述： 小王：28岁程序员，喜欢打游戏看动漫，宅男一枚，偶尔爬山 小李：26岁设计师，热爱旅行摄影，周末喜欢逛展览

向量数据库选型实战指南 买房子要考虑什么？ 预算多少？（成本） 几口人住？（规模） 上班远不远？（性能） 将来要换大房子吗？（扩展性） 物业靠不靠谱？（维护成本） 选向量数据库也是一样的逻辑。 没有"最好的"向量数据库，只有"最适合你场景的

混合检索的详细剖析 向量检索是RAG的核心，但它不是万能的。 来看一个真实场景：你搭了一个技术文档问答系统，知识库里存了几百篇Spring相关的文档。用户问"SpringBoot 3.2.1的启动流程有什么变化"，向量检索返回了什么？大概率

向量检索核心算法深度剖析 前面我们已经把文档块变成了向量，也知道了要把这些向量存到专门的数据库里。但有一个最关键的问题还没解决—— 当用户丢过来一个问题，系统怎么在几十万甚至上百万个向量里，又快又准地挑出最相关的那几条？ 最直觉的做法当然是

为什么要问题重写 你有没有遇到过这种情况：用户问了一个很正常的问题，RAG系统返回的结果却牛头不对马嘴？ 比如在一个在线教育的客服系统里，用户先问了"Python入门课多少钱"，助手回答了价格，然后用户接着问"那它有没有证书"——这个"它"

元数据的过滤场景 前面讲了怎么给文本块"上户口"（元数据设计），这篇来聊聊检索的时候怎么用这些户口信息——也就是元数据过滤。 向量检索的核心能力是语义匹配——找到意思最接近的文档。但有些场景下，语义相似不等于答案正确。 举个实际遇到的例子：

重排序的好处是什么 上一篇讲了混合检索，通过向量+关键词两条路并行召回，再用RRF融合，大幅提升了召回率。但有个问题还没解决：召回的文档排序准吗？ 打个比方，你是技术主管，要招一个"精通Redis且有分布式系统经验"的后端开发。HR帮你从简

查询的路由是必不可少的 你有没有想过一个问题：用户发了一句"你好"，你的RAG系统会怎么处理？ 如果没做任何分流，它会老老实实地把"你好"丢进向量库做相似度检索，然后可能匹配到"你好，欢迎使用XX产品"之类的文档片段，最后大模型基于这个片段

RAG的组件拼接成流水线 前面几篇文章，我们逐个拆解了RAG的各个环节：问题改写、意图识别、混合检索、重排序、元数据过滤。每个环节都是独立的模块，各自解决一个具体问题。 但在实际项目中，这些模块需要串起来形成一条完整的流水线。手动串联当然可

Skills目录结构全景图 上一篇我们聊到，Agent Skills本质上是一种"按需取用的能力模块"。 那这个模块在物理层面到底长什么样呢？ 答案可能会让你有点意外——它就是一个文件夹。 没有复杂的配置中心，没有什么注册发现服务，也不需要

四层渐进式加载机制揭秘 去图书馆借书的时候，你不会一进门就把所有书搬到桌上。正常的流程是这样的： 先翻目录卡片：扫一眼每本书的标题和简介，看哪些跟你今天要查的主题相关 把相关的书借出来：拿到桌上翻开，按照目录和章节结构去读你需要的部分 遇到

Reference和Script实战指南 前面几篇我们从整体到局部，已经把Agent Skills的核心框架讲清楚了。但在实际使用中，很多人遇到的困惑集中在两个问题上： Reference和直接把内容写在Instruction里有什么区别？

智能体为什么需要技能包 你有没有过这样的经历——入职第一天，公司一口气甩给你十几份文档：员工手册、报销流程、代码规范、部署指南、安全须知、会议制度......你坐在工位上翻了一整天，最后真正记住的可能连一半都不到。 更糟糕的是，当你第二天想

使用Codex安装和管理Skills 前面几篇我们从原理层面把Agent Skills讲透了，这一篇进入实操环节——以一个真实的开源Skill为例，演示如何在Codex中完成安装和管理。 我们选用的案例是 UI UX Pro Max，这是目

Embedding向量化原理与模型选型 假设你是个媒人，手里有1000个单身男女的资料，要给他们配对。 每个人的资料是一段文字描述： text 小王：28岁程序员，喜欢打游戏看动漫，宅男一枚，偶尔爬山 小李：26岁设计师，热爱旅行摄影，周末

向量数据库选型实战指南 买房子要考虑什么？ 预算多少？（成本） 几口人住？（规模） 上班远不远？（性能） 将来要换大房子吗？（扩展性） 物业靠不靠谱？（维护成本） 选向量数据库也是一样的逻辑。 没有"最好的"向量数据库，只有"最适合你场景的

向量检索核心算法深度剖析 前面我们已经把文档块变成了向量，也知道了要把这些向量存到专门的数据库里。但有一个最关键的问题还没解决—— 当用户丢过来一个问题，系统怎么在几十万甚至上百万个向量里，又快又准地挑出最相关的那几条？ 最直觉的做法当然是

混合检索的详细剖析 向量检索是RAG的核心，但它不是万能的。 来看一个真实场景：你搭了一个技术文档问答系统，知识库里存了几百篇Spring相关的文档。用户问"SpringBoot 3.2.1的启动流程有什么变化"，向量检索返回了什么？大概率

重排序的好处是什么 上一篇讲了混合检索，通过向量+关键词两条路并行召回，再用RRF融合，大幅提升了召回率。但有个问题还没解决：召回的文档排序准吗？ 打个比方，你是技术主管，要招一个"精通Redis且有分布式系统经验"的后端开发。HR帮你从简

为什么要问题重写 你有没有遇到过这种情况：用户问了一个很正常的问题，RAG系统返回的结果却牛头不对马嘴？ 比如在一个在线教育的客服系统里，用户先问了"Python入门课多少钱"，助手回答了价格，然后用户接着问"那它有没有证书"——这个"它"

查询的路由是必不可少的 你有没有想过一个问题：用户发了一句"你好"，你的RAG系统会怎么处理？ 如果没做任何分流，它会老老实实地把"你好"丢进向量库做相似度检索，然后可能匹配到"你好，欢迎使用XX产品"之类的文档片段，最后大模型基于这个片段

元数据的过滤场景 前面讲了怎么给文本块"上户口"（元数据设计），这篇来聊聊检索的时候怎么用这些户口信息——也就是元数据过滤。 向量检索的核心能力是语义匹配——找到意思最接近的文档。但有些场景下，语义相似不等于答案正确。 举个实际遇到的例子：

图结构：Graph RAG 传统RAG的套路是：用户问一个问题，去知识库里找到最相关的几段文字，交给大模型生成回答。这个模式处理"单跳"问题很在行——答案就在某一段文档里，找到就行。 但有些问题不是这样的。 比如用户问："教《Spring

RAG的组件拼接成流水线 前面几篇文章，我们逐个拆解了RAG的各个环节：问题改写、意图识别、混合检索、重排序、元数据过滤。每个环节都是独立的模块，各自解决一个具体问题。 但在实际项目中，这些模块需要串起来形成一条完整的流水线。手动串联当然可

Reference和Script实战指南 前面几篇我们从整体到局部，已经把Agent Skills的核心框架讲清楚了。但在实际使用中，很多人遇到的困惑集中在两个问题上： Reference和直接把内容写在Instruction里有什么区别？

Skills目录结构全景图 上一篇我们聊到，Agent Skills本质上是一种"按需取用的能力模块"。 那这个模块在物理层面到底长什么样呢？ 答案可能会让你有点意外——它就是一个文件夹。 没有复杂的配置中心，没有什么注册发现服务，也不需要

使用Codex安装和管理Skills 前面几篇我们从原理层面把Agent Skills讲透了，这一篇进入实操环节——以一个真实的开源Skill为例，演示如何在Codex中完成安装和管理。 我们选用的案例是 UI UX Pro Max，这是目

四层渐进式加载机制揭秘 去图书馆借书的时候，你不会一进门就把所有书搬到桌上。正常的流程是这样的： 先翻目录卡片：扫一眼每本书的标题和简介，看哪些跟你今天要查的主题相关 把相关的书借出来：拿到桌上翻开，按照目录和章节结构去读你需要的部分 遇到

智能体为什么需要技能包 你有没有过这样的经历——入职第一天，公司一口气甩给你十几份文档：员工手册、报销流程、代码规范、部署指南、安全须知、会议制度......你坐在工位上翻了一整天，最后真正记住的可能连一半都不到。 更糟糕的是，当你第二天想

A2A协议与Agent生态全景 前面咱们学了 MCP（Model Context Protocol），它是一个让 AI 发现和调用工具的标准化协议，本质上解决的是垂直方向的问题——一个 Agent 如何获取和使用外部能力。 但现实世界中的工

AI驱动开发新范式：VibeCoding与智能IDE 如果你是 Java 开发者，你大概率已经用了很多年的 IntelliJ IDEA。写代码、运行、调试、部署——这套流程熟悉到肌肉记忆。 但在 20252026 年，有个新词开始频繁出现在

ComputerUse与Agent安全：当AI有了手脚之后 OpenClaw 那篇咱们聊到，它最大的突破是让 AI 真正"动手"——操作文件系统、浏览器、Shell。推理模型那篇讲到，AI 学会了"慢思考"，变得更聪明。但你想过没有，一个又

推理模型详解：当AI学会慢思考 前面讲过 CoT（思维链）——让模型在 Prompt 里一步步写出推理过程，提高复杂问题的准确率。当时提到"一些模型内置了深度思考能力"，但没展开。 2025 年下半年开始，AI 领域最大的变化之一，就是推理

龙虾OpenClaw深度解析：从对话到执行的跨越 2026 年初，如果你问任何一个程序员"最近在干什么？"，十有八九会听到同一句话——"养龙虾"。 什么龙虾？不是餐桌上的麻辣小龙虾，而是一个叫 OpenClaw 的开源 AI 智能体框架。它