<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[BREATH57的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/BREATH57</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; BREATH57]]></copyright><item><title><![CDATA[把 Agent 的 “Loop Engineering“一次性讲透]]></title><link>https://blog.csdn.net/BREATH57/article/details/162347477</link><guid>https://blog.csdn.net/BREATH57/article/details/162347477</guid><author>BREATH57</author><pubDate>Fri, 26 Jun 2026 18:41:57 +0800</pubDate><description><![CDATA[本文介绍了两个关于AI Agent核心能力的开源项目： how-ai-agents-remember：拆解5个开源Bot的记忆系统，分析数据流 how-agent-loop-engineering：通过8篇文章讲解Agent如何持续执行任务 核心观点： Loop Engineering设计执行闭环，使Agent能自动推进任务直至完成 有效循环需包含目标、执行、外部状态更新、验证四个关键组件 项目提供历史演进、核心机制、实战案例及避坑指南等内容 建议先学习记忆系统再研究任务循环，两者构成Agent的基础能力 ]]></description><category></category></item><item><title><![CDATA[我们把 Hermes Agent 的记忆系统拆开看了：AI Agent 到底该怎么“记住”事情？]]></title><link>https://blog.csdn.net/BREATH57/article/details/162091820</link><guid>https://blog.csdn.net/BREATH57/article/details/162091820</guid><author>BREATH57</author><pubDate>Thu, 18 Jun 2026 14:58:15 +0800</pubDate><description><![CDATA[GitHub仓库"How AI Agents Remember"深度解析了5个开源AI Agent项目的记忆系统实现，包括OpenClaw、Hermes Agent、nanobot、NullClaw和OpenFang。项目通过逐行源码分析，揭示了不同框架如何设计记忆架构、数据模型和检索管线。 重点剖析的Hermes Agent采用分层记忆架构：用Markdown文件存储常驻事实，SQLite数据库管理会话历史，Memory Provider插件处理外部记忆，ContextEngine负责上下文压缩，Skil]]></description><category></category></item><item><title><![CDATA[Windows 截图到 WSL 的Codex、OpenCode、ClaudeCode]]></title><link>https://blog.csdn.net/BREATH57/article/details/161903277</link><guid>https://blog.csdn.net/BREATH57/article/details/161903277</guid><author>BREATH57</author><pubDate>Thu, 11 Jun 2026 22:21:48 +0800</pubDate><description><![CDATA[WSL Snapaste工具解决了Windows截图无法直接粘贴到WSL终端的问题。该项目支持Snipaste、ShareX等主流截图工具，实现截图后直接Ctrl+V粘贴到WSL终端。特别适合在WSL中使用AI编程工具处理截图、报错图的开发者。用户只需从GitHub下载运行即可，支持后台常驻和托盘快捷开关。项目地址：https://github.com/breath57/wsl-snapaste]]></description><category></category></item><item><title><![CDATA[OpenClaw 那一堆 .md 到底是干嘛的？—— 从源码搞懂 Agent 的人格与记忆系统]]></title><link>https://blog.csdn.net/BREATH57/article/details/160193348</link><guid>https://blog.csdn.net/BREATH57/article/details/160193348</guid><author>BREATH57</author><pubDate>Wed, 15 Apr 2026 23:20:37 +0800</pubDate><description><![CDATA[OpenClaw 的 Agent 系统通过多个 markdown 文件实现模块化管理，每个文件有明确的定位和功能： 文件分类与作用： IDENTITY.md：结构化存储 Agent 基本信息（名称、表情符号等），由代码直接解析使用 SOUL.md：定义 Agent 的核心价值观和行为准则，直接注入系统提示词 USER.md：记录用户信息和偏好 AGENTS.md：包含详细的操作规范和工作流程 MEMORY.md 和 memory/目录：分别存储近期和长期记忆 设计优势： 信息分层管理，更新互不干扰 不同安全]]></description><category></category></item><item><title><![CDATA[【钉钉会议 | 日程 Skill】让 Agent 真正帮你「把时间排进钉钉」]]></title><link>https://blog.csdn.net/BREATH57/article/details/159897220</link><guid>https://blog.csdn.net/BREATH57/article/details/159897220</guid><author>BREATH57</author><pubDate>Tue, 07 Apr 2026 00:40:29 +0800</pubDate><description><![CDATA[钉钉日程协作技能dingtalk-calendar打通企业会议全流程，实现&quot;找人→约时间→订会议室→发会邀→会后跟进&quot;闭环。该技能解决六大痛点：1.快速创建会议并关联钉钉视频会议；2.智能查询参与者空闲时间；3.实时查看会议室可用状态；4.自动推送签到链接；5.支持周期性会议自动排期；6.会后待办事项衔接。作为钉钉协作中枢，可与通讯录、消息、待办等功能联动，真正实现从通知到协作的升级。适用于深度使用钉钉的企业，帮助团队提升会议管理效率。开源项目提供完整安装指南。]]></description><category></category></item><item><title><![CDATA[我用开源项目把 AI Agent 和钉钉打通了，现在能查人、发消息、管文档]]></title><link>https://blog.csdn.net/BREATH57/article/details/159015311</link><guid>https://blog.csdn.net/BREATH57/article/details/159015311</guid><author>BREATH57</author><pubDate>Fri, 13 Mar 2026 17:25:10 +0800</pubDate><description><![CDATA[钉钉技能库dingtalk-skills发布v0.4.0版本，新增通讯录技能，目前共支持5个核心场景：知识库管理、AI表格操作、消息发送、待办任务和通讯录查询。该项目基于Anthropic skills规范构建，无需编写代码即可通过对话操作钉钉。各技能可组合使用，实现自动发通知、会议记录归档等复杂场景。提供命令行和ClawHub平台两种安装方式，全部功能通过curl实现，零额外依赖。项目开源在GitHub，计划未来增加审批、日历等更多技能支持。]]></description><category></category></item><item><title><![CDATA[让 AI 帮你发钉钉消息——dingtalk-message skill开源了]]></title><link>https://blog.csdn.net/BREATH57/article/details/158932366</link><guid>https://blog.csdn.net/BREATH57/article/details/158932366</guid><author>BREATH57</author><pubDate>Wed, 11 Mar 2026 19:11:14 +0800</pubDate><description><![CDATA[钉钉AI助手dingtalk-message上线，可通过自然语言指令自动发送各类钉钉消息。该工具支持群机器人、企业内部应用机器人（单聊/群聊）和工作通知三种场景，能处理文本、Markdown、卡片等多种消息类型，并支持消息撤回和已读查询。用户只需用自然语言描述需求（如&quot;发Markdown消息到测试群@张三确认&quot;），AI会自动完成JSON拼接等繁琐操作。安装简单，零依赖，可与知识库管理、AI表格等功能组合使用，显著提升办公效率。项目已开源，支持用户反馈和功能建议。]]></description><category></category></item><item><title><![CDATA[OpenClaw 3.7 最重磅更新：ContextEngine 插件接口源码级拆解 —— AI Agent 上下文管理从此告别硬编码]]></title><link>https://blog.csdn.net/BREATH57/article/details/158851624</link><guid>https://blog.csdn.net/BREATH57/article/details/158851624</guid><author>BREATH57</author><pubDate>Mon, 09 Mar 2026 21:01:45 +0800</pubDate><description><![CDATA[本文深入解析了OpenClaw 3.7 beta引入的ContextEngine插件接口，揭示了AI Agent框架中上下文管理的关键痛点与创新解决方案。文章通过逆向工程发现旧架构存在逻辑散落、代码重复、策略硬编码等问题，而新接口通过7个生命周期钩子（如ingest、assemble、compact）将核心逻辑与实现解耦，支持灵活替换处理算法。特别值得关注的是其采用绞杀者模式实现零风险升级，通过全局注册表实现插件化扩展。这一设计不仅解决了上下文管理的本质问题，更为AI Agent系统提供了可扩展的架构范式，]]></description><category></category></item><item><title><![CDATA[爆肝逆向 OpenClaw | Nanobot | NullClaw | Openfeng 的记忆系统]]></title><link>https://blog.csdn.net/BREATH57/article/details/158779166</link><guid>https://blog.csdn.net/BREATH57/article/details/158779166</guid><author>BREATH57</author><pubDate>Sat, 07 Mar 2026 22:33:44 +0800</pubDate><description><![CDATA[本文深入分析了4个主流AI Agent框架的记忆系统实现方案： 1. nanobot（Python）：极简Markdown存储，LLM自主筛选关键记忆（200行代码） 2. NullClaw（Zig）：企业级9阶段检索管线，支持10种存储后端与熔断降级 3. OpenClaw（TypeScript）：Markdown为唯一信源，数据库可重建，6种Embedding自动切换 4. OpenFang（Rust）：统一SQLite存储，集成知识图谱与置信度衰减机制 核心发现： 所有系统都区分短期/长期记忆 LLM]]></description><category></category></item><item><title><![CDATA[让 AI Agent 操作钉钉文档、表格的技能(Skill)库]]></title><link>https://blog.csdn.net/BREATH57/article/details/158742593</link><guid>https://blog.csdn.net/BREATH57/article/details/158742593</guid><author>BREATH57</author><pubDate>Fri, 06 Mar 2026 20:14:03 +0800</pubDate><description><![CDATA[摘要：dingtalk-skills 是一个为AI Agent设计的钉钉技能库，遵循anthropics/skills规范。安装后，AI工具如Claude Code等可直接通过自然语言操作钉钉，实现文档管理、表格查询等办公自动化功能。目前支持钉钉文档/知识库和AI表格的核心操作，无需编码即可完成会议纪要整理、数据查询等任务。用户只需通过npx命令安装技能包，配置应用信息后即可使用。项目计划扩展更多钉钉场景，欢迎开发者参与完善。GitHub地址：github.com/breath57/dingtalk-ski]]></description><category></category></item><item><title><![CDATA[都在用Skill，那你知道好的Skill应该长啥样吗？—— 1次Skill优化实录]]></title><link>https://blog.csdn.net/BREATH57/article/details/158730402</link><guid>https://blog.csdn.net/BREATH57/article/details/158730402</guid><author>BREATH57</author><pubDate>Fri, 06 Mar 2026 14:00:00 +0800</pubDate><description><![CDATA[本文通过一个Git工作流自动化Skill的设计优化案例，探讨了如何设计高质量的Skill。作者最初设计了包含三个脚本的Skill（共335行代码），随后反思发现这些字符串处理任务本可由Agent原生完成。文章深入分析了Skill的三层架构（元数据、指令手册、资源工具），提出&quot;自由度匹配任务脆弱性&quot;原则：精确操作适合脚本，灵活判断应交给Agent。最后提供了Skill质量评估checklist，包括触发机制清晰度、上下文效率、任务分配合理性等维度。该案例展示了从功能实现到架构优化的完整Sk]]></description><category></category></item><item><title><![CDATA[Vibe Coding：别只追热度，先懂本质再谈落地]]></title><link>https://blog.csdn.net/BREATH57/article/details/157247001</link><guid>https://blog.csdn.net/BREATH57/article/details/157247001</guid><author>BREATH57</author><pubDate>Thu, 22 Jan 2026 09:55:17 +0800</pubDate><description><![CDATA[Vibe Coding是AI时代的新型编程范式，核心在于重构人机协作模式。开发者负责需求拆解和架构设计，AI处理代码生成等机械工作，形成&quot;人定方向-AI落地&quot;的高效配合。关键要把握四大原则：明确人机边界、快速迭代验证、工具无缝衔接、聚焦业务价值。落地时需分三步走：快速原型、AI迭代、风险兜底，团队使用则需建立规范流程和共享资产。Vibe Coding不是AI代劳或摸鱼工具，而是通过合理分工提升开发效率，让开发者专注创造性工作。后续将推出系列文章详解各技术栈的实操方法。]]></description><category></category></item><item><title><![CDATA[Go select 底层“注册-唤醒”机制：原来这就是观察者模式]]></title><link>https://blog.csdn.net/BREATH57/article/details/155508050</link><guid>https://blog.csdn.net/BREATH57/article/details/155508050</guid><author>BREATH57</author><pubDate>Wed, 03 Dec 2025 03:23:36 +0800</pubDate><description><![CDATA[Go 的 select 语句通过观察者模式实现高效通道监听，其底层采用&quot;注册-唤醒&quot;机制：1)编译阶段将select转为runtime结构；2)运行时注册通道事件；3)无就绪事件时挂起goroutine；4)通道就绪时唤醒执行。这种设计融合了观察者模式和反应器模式思想，相比轮询方式具有显著性能优势，是Go并发编程的核心机制之一。]]></description><category></category></item><item><title><![CDATA[代码执行 + MCP：AI 代理 token 省 98%！]]></title><link>https://blog.csdn.net/BREATH57/article/details/155284588</link><guid>https://blog.csdn.net/BREATH57/article/details/155284588</guid><author>BREATH57</author><pubDate>Wed, 26 Nov 2025 23:15:04 +0800</pubDate><description><![CDATA[本文详解代码执行 + MCP 优化 AI 代理的实操方案：解决传统 MCP 工具调用的 token 浪费、延迟问题，通过工具代码封装、按需调用，实现省 token、提速度、护隐私，附完整代码与图解，新手也能上手。]]></description><category></category></item><item><title><![CDATA[【全网首发】深度解析6.3k star 开源多智能体框架 DeepAgents 的提示词工程]]></title><link>https://blog.csdn.net/BREATH57/article/details/155273842</link><guid>https://blog.csdn.net/BREATH57/article/details/155273842</guid><author>BREATH57</author><pubDate>Wed, 26 Nov 2025 15:07:02 +0800</pubDate><description><![CDATA[DeepAgents是LangChain推出的轻量级多智能体协作框架，提供开箱即用的多智能体协作能力，支持Swarm架构、分布式任务处理等场景。其系统提示采用分层设计，包含基础提示、用户自定义提示和中间件提示（如TodoList、文件系统等）。核心设计强调任务导向性和工具使用，通过记忆优先协议实现知识持久化存储与检索，要求智能体主动检查记忆文件、优先使用存储知识而非通用知识，并遵循简洁直接的交互风格。该框架深度集成LangChain生态，是快速构建LLM多智能体系统的便捷选择。]]></description><category></category></item><item><title><![CDATA[事件驱动 vs 传统多线程：以用户下单全流程为例，手把手带你看两种设计的差异与实现]]></title><link>https://blog.csdn.net/BREATH57/article/details/155207022</link><guid>https://blog.csdn.net/BREATH57/article/details/155207022</guid><author>BREATH57</author><pubDate>Mon, 24 Nov 2025 22:36:06 +0800</pubDate><description><![CDATA[摘要：本文以用户下单支付全流程（7个关键步骤）为案例，对比分析事件驱动与传统多线程两种高并发实现方案。事件驱动模式通过事件总线解耦步骤依赖，实现异步非阻塞处理，适合高并发场景；而多线程模式逻辑直观但资源消耗大。文章提供Python完整代码实现，从耦合度、并发能力等维度进行深度对比，帮助开发者根据业务场景选择合适架构。]]></description><category></category></item><item><title><![CDATA[深度剖析 9.6k star 开源项目 Open Deep Research 蕴含的提示词工程设计]]></title><link>https://blog.csdn.net/BREATH57/article/details/155025242</link><guid>https://blog.csdn.net/BREATH57/article/details/155025242</guid><author>BREATH57</author><pubDate>Wed, 19 Nov 2025 14:41:44 +0800</pubDate><description><![CDATA[Open Deep Research 是 LangChain 团队开源的深度研究工具，通过&quot;主管+研究员&quot;多智能体协同工作，解决传统研究中的信息碎片化问题。其核心在于精心设计的 Prompt 系统，主要包括澄清 Prompt 和转换 Prompt 两类。澄清 Prompt 用于判断是否需要用户澄清，避免重复提问，识别模糊点，并输出结构化 JSON 结果。转换 Prompt 则将用户问题转化为详细研究简报，强调具体性和完整性。该系统支持主流 AI 模型和搜索工具，显著提升科研和市场分析效率]]></description><category></category></item><item><title><![CDATA[【首发】深入Weaviate多租户，从用法到存在的意义]]></title><link>https://blog.csdn.net/BREATH57/article/details/154759192</link><guid>https://blog.csdn.net/BREATH57/article/details/154759192</guid><author>BREATH57</author><pubDate>Thu, 13 Nov 2025 00:39:42 +0800</pubDate><description><![CDATA[摘要： Weaviate多租户功能通过物理隔离实现企业级数据安全，相比Filter过滤具有显著优势：隔离强度更高、检索性能更优（仅访问指定租户分片）、符合GDPR等合规要求。从SaaS平台到多部门协作场景，Weaviate支持租户级资源管理和权限控制，配置过程包含启用多租户实例、创建租户集合、生命周期管理等关键步骤。结合HNSW索引和分词器优化，成为企业AI应用（如知识库、教育平台）向量数据管理的首选方案，尤其适用于金融、医疗等强合规领域。]]></description><category></category></item><item><title><![CDATA[让Weaviate向量查询性能瞬间提升10倍的简单技巧]]></title><link>https://blog.csdn.net/BREATH57/article/details/154538512</link><guid>https://blog.csdn.net/BREATH57/article/details/154538512</guid><author>BREATH57</author><pubDate>Fri, 07 Nov 2025 18:32:51 +0800</pubDate><description><![CDATA[摘要：向量归一化是优化Weaviate性能的关键技巧，通过将向量长度统一为1，可以大幅提升查询效率和精度。归一化简化了余弦相似度计算，使运算速度提升10倍以上；优化HNSW索引导航，减少20%漏检率；配合量化技术可降低70%内存占用。实施只需三步：生成向量时立即归一化、配置cosine距离度量、验证归一化效果。实验显示，归一化后百万级数据的查询响应时间从320ms降至28ms，内存占用减少70.4%，检索准确率提升18%。对于语义检索场景，归一化不会损失精度，反而能消除干扰因素。]]></description><category></category></item><item><title><![CDATA[RAG下的向量库用Weaviate还是用Postgres]]></title><link>https://blog.csdn.net/BREATH57/article/details/154043970</link><guid>https://blog.csdn.net/BREATH57/article/details/154043970</guid><author>BREATH57</author><pubDate>Wed, 29 Oct 2025 00:15:43 +0800</pubDate><description><![CDATA[摘要： Weaviate与PostgreSQL（搭配向量扩展）是向量检索的热门技术选项，但定位差异显著。PostgreSQL是关系型数据库，通过扩展支持向量检索，适合结构化业务数据与向量一体化存储（千万级以下）。Weaviate是原生向量数据库，擅长大规模向量检索与复杂混合查询（亿级向量仍低延迟）。选型关键： PostgreSQL适用场景：需事务、JOIN查询且向量规模较小（如企业轻量RAG系统）。 Weaviate适用场景：向量为核心、数据量大或需复杂混合检索（如全网文档搜索）。 混合架构：两者结合可兼顾]]></description><category></category></item></channel></rss>