数字旗手

第一步：构建底层数据“仓库” 一切的基础是数据表结构。我们需要设计能兼容“绘图模型（重图片）”和“文本模型（重逻辑）”的通用字段。 1. 新建多维表格：在飞书云文档新建空白多维表格，命名为“Prompt资产库”。 2. 配置关键字段（建议按以下顺序排列）： * Prompt 标题（文本）：简短描述，如“赛博朋克风街道”、“小红书爆款文案生成”。 * Prompt 正文（文本）：核心字段。建议开启“富文本”模式，以便对关键词进行加粗或换行排版。 * 效果缩略图（附件）：核心字段。上传Midjourney生成的图片，或ChatGPT对话的精彩截图。 * 适用模型（单选）：设置选项为

Langfuse是一个开源的LLM工程平台/可观测 (observability) 工具，旨在帮助开发、监控、评估、调试基于大语言模型 (LLM) 的应用。本文将从0经验开始试用下Langfuse，看看它有哪些功能及其效果。 安装部署 可以直接注册个Langfuse Cloud账号来体验，也可以自部署，这里采用docker进行自部署： 1 2 3 git clone https://github.com/langfuse/langfuse.git cd langfuse docker compose up 顺利启动后，可以通过http://localhost:3000来访问。

v4: Skills 机制 核心洞察：Skills 是知识包，不是工具。 知识外化：从训练到编辑的范式转变 Skills 机制体现了一个深刻的范式转变：知识外化 (Knowledge Externalization)。 传统方式：知识内化于参数 传统 AI 系统的知识都藏在模型参数里。你没法访问、没法修改、没法复用。 想让模型学会新技能？你需要： 1. 收集大量训练数据 2. 设置分布式训练集群 3. 进行复杂的参数微调（LoRA、全量微调等） 4. 部署新模型版本 这就像大脑突然失忆，但你没有任何笔记可以恢复记忆。知识被锁死在神经网络的权重矩阵中，对用户完全不透明。 新范

v3: 子代理机制 ~450 行代码，+1 个工具，分而治之。 v2 添加了规划。但对于大型任务如”探索代码库然后重构认证”，单一 Agent 会撞上上下文限制。探索过程把 20 个文件倒进历史记录，重构时失去焦点。 v3 添加了 Task 工具：生成带有隔离上下文的子代理。 问题 单 Agent 的上下文污染： 1 2 3 4 5 主 Agent 历史： [探索中...] cat file1.py -> 500 行 [探索中...] cat file2.py -> 300 行 ... 15 个文件 ... [现在重构...] "等等，file1 里有什么来着？"

v2: 结构化规划与 Todo ~300 行代码，+1 个工具，显式任务追踪。 v1 能工作。但对于复杂任务，模型会失去方向。 让它”重构认证、添加测试、更新文档”，看看会发生什么。没有显式规划，它在任务间跳跃、忘记步骤、失去焦点。 v2 只添加一样东西：Todo 工具。约 100 行新代码，根本性地改变了 Agent 的工作方式。 问题 在 v1 中，计划只存在于模型的”脑中”： 1 2 v1："我先做 A，再做 B，然后 C"（不可见） 10 次工具调用后："等等，我在干什么？" Todo 工具让它显式化： 1 2 3 4 v2: [ ] 重构认证模块

v1: 模型即代理 ~200 行代码，4 个工具，所有编程 Agent 的本质。 Claude Code 的秘密？没有秘密。 剥去 CLI 外观、进度条、权限系统，剩下的出奇简单：一个让模型持续调用工具直到任务完成的循环。 核心洞察 传统助手： 1 用户 -> 模型 -> 文本回复 Agent 系统： 1 2 用户 -> 模型 -> [工具 -> 结果]* -> 回复 ^_________| 星号很重要。模型反复调用工具，直到它决定任务完成。这将聊天机器人转变为自主代理。 核心洞察：模型是决策者，代码只提供工具并运行循环。

shareAI-lab在github上有一系列的源码，通过研究Claude Code帮助学习智能体开发。仓库在这里。 本系列文章就是对这些源码的学习，本篇是第一篇。 v0: Bash 就是一切 终极简化：~50 行代码，1 个工具，完整的 Agent 能力。 Agent 的本质到底是什么？ v0 通过反向思考来回答——剥离一切，直到只剩下核心。 核心洞察 Unix 哲学：一切皆文件，一切皆可管道。Bash 是这个世界的入口： 你需要Bash 命令读文件cat, head, grep写文件echo '...' > file搜索find, grep, rg执行python, npm, m

当前“规范驱动开发”（Spec-Driven Development）火热程度超过了“氛围编程”（Vibe Coding），本文尝试使用Claude Code搭配Spec-Kit来体验下。 安装必要软件 安装Claude Code 一条命令执行即可： 1 npm install -g @anthropic-ai/claude-code 设置模型 国内使用Claude系列模型的门槛较高，这里使用Qwen3-Coder来替代。可以参考这里。 因为Qwen3-Coder提供了对Anthropic格式的支持，所以直接设置环境变量即可。 对于其他模型，可以使用claude-code-rou

这是记录一下在阿里云服务器部署n8n的过程。。 购买 云服务器推荐购买至少4GB内存，这样服务器不容易卡死。 部署n8n 使用npm部署n8n未成功，此处使用docker进行部署。 创建卷 1 docker volume create n8n_data 运行 1 docker run -it -d --restart unless-stopped --name n8n -p 5678:5678 -e N8N_SECURE_COOKIE=false -e N8N_HOST=http://8.130.100.xx -e N8N_PORT=5678 -e N8N_PROTOCOL=

将 n8n 与 MCP (Model Context Protocol) 结合，是目前 AI 自动化领域非常前沿且强大的玩法。n8n 可以同时作为 MCP 客户端（Client） 和 MCP 服务器（Server），和外部 MCP 生态双向集成。 一、作为 MCP 客户端：在 AI Agent 里调用外部 MCP Server 使用 MCP Client Tool 节点 来把外部 MCP server 暴露的工具接入到 n8n 的 AI Agent。[MCP Client Tool] 1. 在 AI Agent 中添加 MCP Client Tool 工具节点。 2. 配置： * En