<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[AI 爪客，专注 AI 智能体与 Skill 研发落地，斩获腾讯云、讯飞、小米等多场 AI 赛事奖项，分享 Agent 实战干货与工程化经验。]]></title><description><![CDATA[深耕智能体架构与技能开发，拒绝纸上谈兵。记录从 0 到 1 搭建落地级 Agent 的踩坑、优化与实战技巧，带你一起玩转可落地的 AI。]]></description><link>https://blog.csdn.net/python_jeff</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; python_jeff]]></copyright><item><title><![CDATA[一人技术账号周复盘模板：用数据决定下周写什么]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477933</link><guid>https://blog.csdn.net/python_jeff/article/details/161477933</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:34:49 +0800</pubDate><description><![CDATA[写了很多篇文章，但不知道哪类内容真正有效；只盯着阅读量，结果越来越容易被标题党和短期热点带偏；每周都在临时想选题，缺少稳定复盘机制；数据散落在 CSDN 后台、公众号、社群反馈、评论区和个人表格里，无法沉淀为下一周的内容决策。流量、互动、转化、内容质量、选题资产五类指标，并配合 AI 辅助分析，输出下一周的选题优先级。不要只看阅读量：阅读量只能说明曝光或标题吸引力，不能单独代表内容价值。不要伪造数据：没有的数据就标记为空或待补充，不要让 AI 编造趋势、评论、转化结果。]]></description><category></category></item><item><title><![CDATA[写完文章别浪费：如何把技术博客沉淀成知识资产库]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477909</link><guid>https://blog.csdn.net/python_jeff/article/details/161477909</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:34:18 +0800</pubDate><description><![CDATA[很多技术人写博客时，会把重点放在“发布”这一刻：标题是否吸引人、代码是否完整、阅读量是否增长。但从长期价值来看，一篇技术博客真正值得重视的，不只是它发布后的曝光，而是它能否被持续复用、检索、组合和升级。如果文章写完之后只停留在博客平台，它就很容易变成一次性内容；后续写作的素材库；团队内部的经验文档；AI 问答知识库的基础语料；课程、培训、方案、产品文档的原始积木；个人技术品牌的长期内容资产。如何把已经写好的技术博客，系统化沉淀成可检索、可复用、可扩展的知识资产库。]]></description><category></category></item><item><title><![CDATA[AI 写代码不放心？给技术博客准备一份代码审校清单]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477886</link><guid>https://blog.csdn.net/python_jeff/article/details/161477886</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:33:46 +0800</pubDate><description><![CDATA[AI 编程助手已经能快速生成业务代码、脚本、测试用例和文档，但“能跑”不等于“可靠”，“看起来对”也不等于“可上线”。很多团队在引入 AI 写代码后，会遇到类似问题：代码风格不统一、边界条件遗漏、安全风险被忽略、依赖版本不匹配、生成的测试只覆盖了理想路径，甚至把伪造 API、过期语法和隐性性能问题一起带进仓库。本文提供一份可直接复用的AI 代码审校清单，帮助开发者从需求一致性、正确性、安全性、可维护性、性能、测试、工程化、合规边界等角度系统审查 AI 生成代码。]]></description><category></category></item><item><title><![CDATA[多智能体角色怎么设计：从岗位边界到协作流程的 Prompt 方法]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477863</link><guid>https://blog.csdn.net/python_jeff/article/details/161477863</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:33:13 +0800</pubDate><description><![CDATA[每个智能体到底扮演什么角色，它与其他智能体的岗位边界在哪里，协作流程如何被 Prompt 稳定表达出来。多个 Agent 重复做同一件事，输出冗余；主 Agent 不会拆任务，子 Agent 不知道何时停止；工具调用混乱，职责边界不明确；最终结果看似丰富，但缺少一致性与可验证性；Prompt 越写越长，却没有提升协作质量。先定义岗位边界，再定义输入输出契约，最后用协作流程把多个角色串起来。本文不会夸大 AI 能力。]]></description><category></category></item><item><title><![CDATA[技术博客选题怎么做：用关键词矩阵搭建 CSDN 选题库]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477834</link><guid>https://blog.csdn.net/python_jeff/article/details/161477834</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:32:38 +0800</pubDate><description><![CDATA[很多技术博客停更，并不是因为作者没有能力写，而是因为选题机制不稳定：想到什么写什么，遇到热点才写，项目忙起来就断更。尤其是 CSDN 这类技术内容平台，读者通常带着明确问题而来，例如“Python 怎么读取 Excel”“LangChain Agent 怎么调试”“Spring Boot 接口报 500 怎么排查”。因此，技术博客选题不应该只依赖灵感，而应该围绕关键词、问题场景、技术栈和内容形态建立一个结构化选题库。如何从技术栈中提取一级关键词；如何用问题场景扩展长尾关键词；]]></description><category></category></item><item><title><![CDATA[提示词模板工程化：如何把一次性 Prompt 变成可复用工作流]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477807</link><guid>https://blog.csdn.net/python_jeff/article/details/161477807</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:31:59 +0800</pubDate><description><![CDATA[很多团队在使用大模型时，最开始都会经历一个阶段：把需求临时写成一段 Prompt，复制到对话框里，等待模型返回结果。Prompt 依赖个人经验，别人难以稳定复现；输入格式不统一，导致输出波动大；业务规则散落在自然语言里，难以维护；每次使用都要手工改写，容易漏字段、改错变量；结果无法接入后续系统，难以形成自动化流程。本文围绕“提示词模板工程化”展开，介绍如何把一次性 Prompt 拆解为可维护、可测试、可复用的模板与工作流。]]></description><category></category></item><item><title><![CDATA[大模型 API 调用避坑：重试、超时、日志与成本控制]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477783</link><guid>https://blog.csdn.net/python_jeff/article/details/161477783</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:31:23 +0800</pubDate><description><![CDATA[把大模型 API 接进业务系统，真正难的往往不是“调通一次”，而是“稳定、可控、可追踪地调用很多次”。重试：网络抖动、服务端 5xx、限流时应该如何重试，哪些错误不应该重试；超时：连接超时、读取超时、业务总超时如何分层设置；日志：如何记录请求、响应、耗时、错误，同时避免泄露密钥和用户隐私；成本控制：如何通过 token 预算、模型分级、缓存、熔断等方式降低不可控开销。]]></description><category></category></item><item><title><![CDATA[用 Python + 大模型自动生成技术周报：提交记录、任务总结和下周计划]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477755</link><guid>https://blog.csdn.net/python_jeff/article/details/161477755</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:30:43 +0800</pubDate><description><![CDATA[很多研发同学每到周五都会遇到一个熟悉的问题：这一周明明做了不少事，但要写周报时，却突然想不起来具体完成了哪些任务、修了哪些问题、下周应该怎么规划。本文将起草一个可复用的技术方案：使用Python + Git 提交记录 + 任务文本 + 大模型 API本周提交记录汇总；本周完成事项总结；风险与阻塞问题提炼；下周计划自动生成；Markdown 周报导出；提示词模板与错误排查思路。需要说明的是，本文提供的是一套工程实现思路与示例代码草案。]]></description><category></category></item><item><title><![CDATA[RAG 效果差怎么办：从文档切分到召回参数的 10 个优化点]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477730</link><guid>https://blog.csdn.net/python_jeff/article/details/161477730</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:30:06 +0800</pubDate><description><![CDATA[很多团队第一次搭建 RAG（Retrieval-Augmented Generation，检索增强生成）系统时，常见感受是：流程跑通了，但回答质量不稳定。明明知识库里有答案，模型却说“不知道”；召回了很多片段，但真正相关的内容排在后面；文档切得太碎，答案缺上下文；文档切得太大，噪声太多，模型抓不住重点；同一个问题换个问法，召回结果明显波动；引用来源不准确，回答看起来“像对的”，但无法验证。]]></description><category></category></item><item><title><![CDATA[用 AI Agent 搭一条技术博客生产线：从选题到发布的自动化流程]]></title><link>https://blog.csdn.net/python_jeff/article/details/161477697</link><guid>https://blog.csdn.net/python_jeff/article/details/161477697</guid><author>python_jeff</author><pubDate>Thu, 28 May 2026 10:29:32 +0800</pubDate><description><![CDATA[技术博客写作看似是“把技术讲清楚”，实际却是一条完整的内容生产链路：选题、资料收集、提纲设计、代码验证、配图、审校、SEO 优化、平台适配、发布与复盘，每一步都容易消耗大量时间。本文围绕《用 AI Agent 搭一条技术博客生产线：从选题到发布的自动化流程》这一主题，拆解一套可落地的 AI Agent 内容工作流设计方法。它不是让 AI “一键生成爆款文章”，而是把技术博客生产拆成多个可控环节，通过 Agent 编排、人工审核和资产沉淀，实现更稳定、更高质量、更可复用的博客生产线。]]></description><category></category></item><item><title><![CDATA[我的办公小浣熊使用实录：5份LLM压力测试报告分析全过程]]></title><link>https://blog.csdn.net/python_jeff/article/details/161444833</link><guid>https://blog.csdn.net/python_jeff/article/details/161444833</guid><author>python_jeff</author><pubDate>Wed, 27 May 2026 10:17:52 +0800</pubDate><description><![CDATA[速度快：从上传文件到得到完整分析报告，总共不到5分钟，比我预想的快太多了！准确性高：所有数据都准确无误，连P90 TPS这种细节都精准提取，完全没有出错。分析深入：不仅仅是简单的数据整理，还提供了深度的业务洞察和优化建议。交互友好：可以一步步深入追问，每次回答都很精准，不会跑题。格式规范：生成的表格、报告格式都很专业，可以直接用于工作汇报。真的强烈推荐给需要做数据分析的朋友们！有了办公小浣熊，复杂的数据分析工作变得轻松多了～ ✨。]]></description><category></category></item><item><title><![CDATA[技能性能优化与上下文管理：打造高效能技能]]></title><link>https://blog.csdn.net/python_jeff/article/details/161440471</link><guid>https://blog.csdn.net/python_jeff/article/details/161440471</guid><author>python_jeff</author><pubDate>Wed, 27 May 2026 08:33:42 +0800</pubDate><description><![CDATA[识别瓶颈：通过监控发现性能问题实施优化：应用本文介绍的优化技术测试验证：通过基准测试验证效果持续改进：根据实际使用情况不断调整掌握这些优化技术，您将能够创建高性能的 Agent Skills！]]></description><category></category></item><item><title><![CDATA[技能版本管理与发布流程：专业级技能开发实践]]></title><link>https://blog.csdn.net/python_jeff/article/details/161440443</link><guid>https://blog.csdn.net/python_jeff/article/details/161440443</guid><author>python_jeff</author><pubDate>Wed, 27 May 2026 08:32:59 +0800</pubDate><description><![CDATA[版本控制：使用 Git 进行代码管理语义化版本：遵循 SemVer 规范自动化流程：集成 CI/CD 流水线回滚策略：确保安全发布文档管理：保持变更日志更新掌握这些技能，您将能够建立专业的技能发布流程！]]></description><category></category></item><item><title><![CDATA[技能组合与工作流编排：构建复杂智能工作流]]></title><link>https://blog.csdn.net/python_jeff/article/details/161440433</link><guid>https://blog.csdn.net/python_jeff/article/details/161440433</guid><author>python_jeff</author><pubDate>Wed, 27 May 2026 08:32:17 +0800</pubDate><description><![CDATA[技能组合是将多个独立技能按照一定逻辑顺序组合起来，共同完成复杂任务的过程。用户请求 → 技能A → 技能B → 技能C → 最终结果模式选择：根据业务需求选择合适的组合模式状态管理：建立完善的状态传递和检查点机制错误处理：设计健壮的错误传播和恢复策略监控审计：实现全面的执行监控和审计追踪掌握这些技术，您将能够构建强大的自动化工作流系统！]]></description><category></category></item><item><title><![CDATA[SKILL.md 高级编写技巧与最佳实践]]></title><link>https://blog.csdn.net/python_jeff/article/details/161440401</link><guid>https://blog.csdn.net/python_jeff/article/details/161440401</guid><author>python_jeff</author><pubDate>Wed, 27 May 2026 08:31:29 +0800</pubDate><description><![CDATA[description: "输入数据文件路径"编写高质量的SKILL.md清晰的元数据- 帮助代理快速发现和理解技能结构化的指令- 让代理能够准确执行任务完善的错误处理- 提高技能的健壮性良好的可维护性- 便于后续迭代和扩展掌握这些高级技巧，您将能够创建出专业级的 Agent Skills！]]></description><category></category></item><item><title><![CDATA[Agent Skills 入门教程：为 AI 代理赋予专业能力]]></title><link>https://blog.csdn.net/python_jeff/article/details/161425388</link><guid>https://blog.csdn.net/python_jeff/article/details/161425388</guid><author>python_jeff</author><pubDate>Tue, 26 May 2026 15:53:11 +0800</pubDate><description><![CDATA[Agent Skills 为 AI 代理提供了一种标准化、可扩展的能力扩展方式。为 AI 代理赋予领域专业知识创建可重复、可审计的工作流程在多个平台间复用您的 Skills现在就开始创建您的第一个 Skill，让 AI 代理更聪明、更高效！]]></description><category></category></item><item><title><![CDATA[基于AI智能体的智能写作辅助系统研究]]></title><link>https://blog.csdn.net/python_jeff/article/details/161412754</link><guid>https://blog.csdn.net/python_jeff/article/details/161412754</guid><author>python_jeff</author><pubDate>Tue, 26 May 2026 09:40:16 +0800</pubDate><description><![CDATA[（3）由10名具有不同写作背景的志愿者提供的真实写作任务记录，含用户意图描述、草稿和最终成稿三元组，共800组。本文旨在系统设计并验证基于AI智能体的智能写作辅助系统，具体目标为：（1）设计覆盖写作全流程的智能体功能架构，实现选题规划、提纲生成、内容扩写和润色校对的端到端支持；当用户发出写作请求时，系统自动将请求转化为查询向量，在相应知识库中检索最相关的Top-K文档（K=5），将检索结果作为参考上下文注入生成提示词，引导大语言模型在已有知识基础上生成更具深度和针对性的写作内容。]]></description><category></category></item><item><title><![CDATA[基于 OpenVINO 的端侧私有化 RAG 系统：构建个人知识库智能管家的工程实践]]></title><link>https://blog.csdn.net/python_jeff/article/details/161410039</link><guid>https://blog.csdn.net/python_jeff/article/details/161410039</guid><author>python_jeff</author><pubDate>Tue, 26 May 2026 08:30:20 +0800</pubDate><description><![CDATA[随着大语言模型（LLM）技术的快速发展，如何在保障数据隐私的前提下实现高效的本地知识问答成为亟待解决的关键问题。本文提出了一种基于OpenVINO推理框架的端侧私有化系统架构，通过深度融合向量检索与Qwen2.5大语言模型，构建了完整的个人知识库智能管家解决方案。系统在 Intel 异构计算平台上实现了 CPU/GPU/NPU 多设备协同加速，采用 INT8 量化与动态批处理技术，在保持模型精度的同时实现了 2-4 倍的推理性能提升。]]></description><category></category></item><item><title><![CDATA[员工手册与制度问答机器人深度评测：让 HR 从重复答疑中解放]]></title><link>https://blog.csdn.net/python_jeff/article/details/161393159</link><guid>https://blog.csdn.net/python_jeff/article/details/161393159</guid><author>python_jeff</author><pubDate>Mon, 25 May 2026 14:41:28 +0800</pubDate><description><![CDATA[员工手册与制度问答机器人是 SkillHub 平台上的一款企业级 AI Skill，由作者「东四联周博远」开发。该 Skill 基于RAG（检索增强生成）技术架构，为企业 HR 部门提供了一个智能制度问答解决方案。「员工手册与制度问答机器人」是一款定位精准、技术扎实、企业友好的 AI Skill。它没有试图做一个"万能 HR 机器人"，而是聚焦于"制度文档问答"这一具体场景，并在这个场景下做到了专业级水准。它解决了 HR 部门长期面临的"重复答疑"痛点。]]></description><category></category></item><item><title><![CDATA[SOP 标准化流程提取器深度评测：让经验沉淀从 3 小时缩短到 5 分钟]]></title><link>https://blog.csdn.net/python_jeff/article/details/161393140</link><guid>https://blog.csdn.net/python_jeff/article/details/161393140</guid><author>python_jeff</author><pubDate>Mon, 25 May 2026 14:40:55 +0800</pubDate><description><![CDATA[SOP 标准化流程提取器是 SkillHub 平台上的一款实用型 AI Skill，由作者「东四联周博远」开发。将用户口述或转录的操作流程自动整理为标准 SOP 文档。在企业管理、团队协作、知识沉淀等场景中，SOP（Standard Operating Procedure，标准操作程序）文档的编写一直是一个耗时且容易遗漏细节的工作。采访资深员工，记录操作经验人工整理、分类、编排步骤反复校对、补充检查点排版、制作成可交付的文档整个过程往往需要数小时甚至数天。]]></description><category></category></item></channel></rss>