把一个陌生代码库变成可问可答的 DeepWiki 知识库，靠的不是"把 README 喂给 GPT"，而是 Tree-sitter 解析 + Embedding 向量 + 图数据库 + LLM 生成 四件套。本文不谈具体实现代码，只讲方法论、流程与取舍，并进一步讨论：代码作为 source of truth 之后，文档如何分层，以及如何让知识库反过来 harness AI 编码。

很多团队做 AI skill，还停留在“这次跑通了，看起来不错”的阶段。可真正上线之后，问题往往不在第一次回答，而在波动、成本、工具调用路径和安全边界。本文借 Promptfoo 这把尺子，聊聊怎么系统地评估、测试并给 AI skill 做质量与安全把关。

笔记散落各处，AI 却帮不了你？聊聊怎么用 Obsidian 的本地 Markdown 文件，配合 LLM 插件、MCP 和编译式知识库，把"一堆文件"变成"能回答问题的第二大脑"。

大模型能蒸馏，Agent 的 Skill 也能蒸馏。蒸馏到底是什么？为什么 DeepSeek 能把 671B 的推理能力塞进 1.5B 的小模型？为什么你的 Agent 技能越写越臃肿时，也需要来一轮"蒸馏"？这篇把模型蒸馏和技能蒸馏串起来讲，一次搞懂。

上次聊了 nanobot 双层记忆的基本设计，这次深入源码，看看它最近的几个关键演进：基于 Token 预算的整理策略、会话历史的合法性校验、以及一个"连续 assistant 消息"的 bug 是怎么产生和修复的。

以 lazy-rabbit-agent 里的 agent_loop_demo.py 为例，讲清楚 AI Agent Loop 的本质：它不是玄学，而是由规划、记忆、工具调用、观察回流、格式约束与失败恢复组成的一台小发动机。

拆解 nanobot 的双层记忆系统——一个只有 4000 行代码的 AI 助手，是怎么做到跨会话记住你的偏好、项目上下文和工作习惯的？从源码到设计哲学，聊聊 AI Agent 的"长期记忆"该怎么做。

大多数人用 Claude 就像用搜索引擎——丢一句话进去，看看出来什么。但 Claude 4.6 已经不是一个"问答机器"了，它更像一个刚入职的天才实习生：聪明得吓人，但完全不知道你们组的规矩。这篇文章拆解 Anthropic 官方最新的提示工程指南，把那些"看起来都懂、做起来全忘"的技巧变成你明天就能用的 checklist。

一份纯技术向的设计：用 LLM-powered agent 跑一个固定的日常学习闭环（morning learn → evening test → next-day review），并用双维度打分管理句子库：实用度（1–5）与熟练度（1–5）。

你的 AI 回答总是不着边际？别再死磕 Prompt 了，多半是"上下文"没给对。本文深度解读"上下文工程"，剖析它与 RAG 的本质区别，并通过一个"AI 面试官"的完整实例，手把手教你打造一个不弱智的 Agent。

PDCA 是管理者的圣经，但对于 AI Agent 来说，它太慢了。本文提出 PAOE (Plan, Act, Observe, Evaluate) 模型，深度解析 ReAct 机制如何让 LLM 拥有“手眼协调”的能力，并附带 Python 实现代码。

你的 RAG 系统总是在胡说八道？多半是检索拖了后腿。本文基于 Medium 高赞文章，深度解析如何利用 Elasticsearch 的混合检索、函数得分等高级特性，拯救你那“弱不禁风”的 RAG。

字节跳动开源的 Eino 框架，让 Go 开发者也能优雅地构建 AI Agent——本文带你从零开始，用 Go 写一个智能穿衣助手

探讨 AI 时代的编程新范式：从传统编码到 Vibe 编程，强调人在其中的关键作用——提问、判断、决策和创新能力的重要性