余米

在之前的内容里面我们一直在用 LangChain 写链、写 Agent，从最简单的模型调用到工具绑定、路由分发、自定义工作流，走了一整套流程。到这里自然会遇到一个问题：随着应用逻辑越来越复杂，Lang

最近，出于业务需要，参考 v0 的实现，蹬了一个类似 v0 的平台出来。整体采用 Next.js 做前后端服务，E2B 提供沙箱，Claude Agent SDK 完成代码生成，沙箱提供预览和代码推送

如果你也受够了Anthropic的小气，或者正在寻找一个稳定、强大、可扩展的CLI Agent，我墙裂建议你试试CodeBuddy Code。

我用Claude Code搭了个四AI团队，居然真的能协作开发 为什么要折腾这个？工作中的真实痛点 单Agent的致命问题：上下文臃肿

桌面应用开发中，Electron 与 Tauri 的“两难”困境长期困扰开发者：Electron 生态成熟、上手简单（会网页开发即可），但打包体积臃肿（Hello World 应用超100MB）、运行

Claude Code Skill 工作机制：一种带执行能力的结构化 RAG 这篇文章不讲怎么写 Skill（官方文档写得够清楚了），而是从底层拆解 Skill 到底是怎么工作的，以及它和 RAG、M

本文基于 Anthropic 官方工程博客发布的《Equipping agents for the real world with Agent Skills》进行解读，结合货拉拉数据场景实战做一些探讨

本文深度剖析AI领域五大热门技术名词(Skill、MCP、RAG、Agent、OpenClaw)的真实底层逻辑,用通俗易懂的大白话揭穿技术包装,带你理解模型上下文协议、检索增强生成、智能代理的工作原理

本文面向实际研发场景，整理并推荐了一组可直接应用于日常开发流程的 Agent Skills，帮助你在不同阶段选择合适的 Skills，提高开发效率。