上一篇，我们把前面学到的模型调用、工具契约和执行循环收进一份最小代码，让 Agent 跑了起来。 它会把问题发给模型，会读 tool_calls，会在本地执行工具，也会把结果带着 tool_call_

3.1 痛点：GC 日志是"半结构化"数据 GC 日志是最常用的 Java 诊断信息来源——每一行都是一个 GC 事件的记录：什么时候发生的、用了多长时间、堆从多少到多少。理论上这些信息足够分析绝大多

先说说为啥 Agent 非得用 child_process 我最开始其实也疑惑过，直接在 Node 里调命令不行吗，为啥非要整个子进程出来？后来想明白了，Node 本身是单线程跑 JS 的，主进程要处

做 AI Agent 开发的同学，大概率都走过这个弯路：把所有工具逻辑全写在 Agent 项目里，查数据库、读文件、调接口全部揉在一起。写的时候快捷省事，维护时却问题百出 —— 换个项目要重写一遍，遇

Java 性能分析在软件开发中是一个老生常谈的话题。GC 日志怎么看、线程转储怎么分析、堆转储怎么排查，这些能力被认为是一个资深 Java 开发者的基本素养。但如果冷静审视这个领域的现状，你会发现存在

RAG 最常见的用途，是让大模型回答它原本不知道，或者不能只靠自身记忆准确回答的问题。 企业内部文档、产品手册、课程资料、小说原文、项目代码说明，都可以成为 RAG 的外部知识来源。这些内容不一定存在

上周那篇 Harness 试点复盘发出去之后,群里有同学问:"这里的 Skill 能不能脱敏后给一些示例,想看看更细节的东西。" 这个问题问得挺好——正文里讲的更多是"为什么要做 Skill"这种方法

录一次把开发者统计卡片升级成 AI 画像工坊的实践：从 github-readme-stats 的卡片服务出发，延伸到 GitHub/CNB 数据源、AI 画像、三段式辣评、独立分享页和只读缓存回放。

走到第 8 篇，我们已经分别碰到过模型调用、ReAct、工具契约、上下文窗口和外部知识。 这些内容不是为了凑出一张框架蓝图。当时每一篇只是在解决眼前的问题：怎么调模型，怎么让它使用工具，对话变长后怎么

开门见山：今天干了什么事 一句话总结：用大模型给大模型打分，手敲了一套完整的评估系统，5条测试case跑完发现超时才是最大杀手。 这事儿的背景是这样的。你在做LLM应用开发，写了个ChatBot，测试

实践得真知哇 这篇文章是基于我们训练营内部项目总结实践出来的，思考供大家学习参考。 最近有粉丝去面试，被问到如何进行AI编程的，回答的太浅了。 这篇文章看完之后，相信你对AI编程会有一个新的理解。

本篇我们来简单梳理下 Claude Code 中 rules 的场景用法。 这里我从自己的日常团队开发协作角度来讲，因为我个人觉得这个规则一般情况下主要是在团队场景下使用的比较多吧。 比如我现在是公司

用 AI 写代码时，很多人只会裸聊提需求，导致 AI 不按规范、忘跑测试、反复返工。维护好 AGENTS.md，让 AI 知道项目规则、构建命令、编码规范，减少重复提醒，提升交付质量。

一句话导语**：上一篇我们创建了最小 `ReviewJob`。这一篇给评审任务加上事件流，让用户能实时看到任务走到了哪一步

上一次我们把 LLM 理解成了一个函数：输入 token，输出 token。一次请求，一次响应。 但这里有个工程问题：不接外部工具的一问一答 LLM 调用，只能基于已有上下文和模型参数回答。 你问它"

上一篇说了我为什么想学 Agent——从"会用但不懂"到"能造"。 但在写第一行 Agent 代码之前，有一件事得先搞清楚：LLM（大语言模型）到底是什么东西。 很多人跟我一样，AI 用得很溜。每天用

前面几篇讲了片键设计、范围/哈希分片、chunk 和 balancer。这一篇把分片上线后最常踩的三个坑收束起来：jumbo chunk、孤儿文档、写入热点。它们表现形式不同，但根源大多指向片键设计或

本文介绍了如何搭建 AgentScope-Java 的 Review Copilot 项目骨架。作者强调不从简单的聊天Demo入手，而是先构建一个完整的前后端项目框架。

CLAUDE.md 只是建议，AI 可能跳过。想强制执行规则？用 Hooks 机制拦截。本文讲解 Hooks 是什么、为什么需要、怎么配置，以及与 CLAUDE.md 的分工