一文读懂 Context / Memory 设计：AI Agent 的核心能力在传统软件系统中，程序的状态通常由数据库或缓存管理。但在 LLM 和 AI Agent 系统中，情况稍有不同：大语言模型本身是**无状态（Stateless）**的，每一次调用模型都是一次全新的推理过程。 这就意味着，如果系统不做额外设计，模型不会记住任何历史信息。 例如： 123User：我叫小明Assist

之前部署Openclaw以后就没有一直使用，最近打算用它弄一个我自己的自媒体管理助手，需要达到的目标是： 一、自媒体助手项目总体目标构建一个 AI 自媒体运营助手，帮助你： 核心能力1️⃣ 输入一篇博客初稿2️⃣ 自动生成适配不同平台版本3️⃣ 自动生成标题 / 标签 / 发布时间建议4️⃣ 一键发布到多个平台5️⃣ 管理内容和发布记录 二、系统整体架构推荐架构（非常关键）

从 LLM 到 AI Agent：工具调用框架（Tool Calling Framework）完整工程指南过去两年，大语言模型（LLM）几乎改变了整个 AI 应用开发方式。但只要真正做过一些项目，很快就会发现一个现实问题： LLM 很聪明，但不太会“做事”。 它可以： 写文章 总结内容 回答问题 做推理 但在真实业务中，用户往往需要的是： 查询数据库 获取实时数据 调用业务 API 执行自动

最近 AI 发展的非常迅速，AI 都快成为一个新的内核了。作为程序员，每天都担忧是不是会被 AI 取代。AI 是一个很好的实现者、观察者，现在几乎不再需要人类去写代码了。那么对于我们这些程序员来说，如何能保证不被 AI 取代呢？我的答案是：建立系统思维，掌握复杂系统的变化，成为一个决策者、管理者。最近在读《系统之美》，将自己的一些想法写在这里。 1. 什么是系统1.1 系统的三大要素系统是由相互作

一个完整的工具调用框架，通常分为以下八层。 1️⃣ Tool Definition Layer（工具定义层）作用定义工具的“契约”。 包含 name description 参数 schema（JSON Schema / Pydantic） 返回格式 权限标签 幂等性声明（可选） 为什么重要没有 schema，工具调用就是字符串拼接。 生产环境不允许。 2️⃣ Tool Regist

GitHub 两周 100k Star：聊聊最近火出圈的 Moltbot（原 Clawdbot）最近两周，技术圈几乎被一个叫 Clawdbot（现更名为 Moltbot）的项目刷屏了。 数据也很直观：2 周内 Star 突破 100k。对比 LangChain、Dify 这类“老牌选手”，Moltbot 的增长曲线几乎是垂直往上冲的。一般这种热度，背后多半是它刚好戳中了某个长期没被好好解决的痛点。

Clawdbot 架构全解：一个“永远在线”的 Agent 系统是如何工作的如果你想部署或体验 Clawdbot，可以先参考我的博客：👉 GitHub 两周 100k Star：聊聊最近火出圈的 Moltbot (原 Clawdbot) 这篇文章不讲安装命令，而是从系统设计和工程实现的角度，完整拆解 Clawdbot 是如何构建一个「多 Agent、跨设备、具备长期记忆和主动行为能力」的 AI

今日份学习，加油加油今日英语学习依然在第一阶段：打基础+学习阅读技巧 单词过一遍 阅读课过一遍 1.背单词2.2.备考雅思阅读方法：part2解题方法 1.填空题：summary\句子填空等等 同义替换结合原文中的逻辑，快速定位答案 2.判断题

首先做一个总结： 📊 常见向量索引算法与底层库对比表 类别 名称 核心原理 优势 (Pros) 劣势 (Cons) 适用场景 算法 IVF 聚类分区：利用 K-Means 将空间划分为小区，搜索时只扫描邻近区域。 内存占用低，索引速度快。 搜索精度受限于聚类边界。 中大规模数据的平衡选型。 算法 HNSW 分层图网络：构建多层“小世界”导航图，通过层级跳跃快速逼近目标。 性能巅峰，