归档

2026 年 02 月

企业接入多个大语言模型后,会遇到接口碎片化、成本失控、数据安全和稳定性问题。围绕模型市场、统一 API、模型调度、Token 成本治理、限流告警和 Key 生命周期,系统讲解企业级大模型网关的设计方法。
系统讲解 Android Frida Hook 的安装、连接、脚本注入、Java 层方法与字段 Hook、Native 层函数拦截、主动调用、基址偏移定位和指令 Patch,适合在授权测试和逆向分析场景中快速建立完整实践能力。
A/B 实验数量增长后,人工巡检会遇到效率、稳定性和一致性问题。围绕生产级 Prompt 自动推理方案,讲清如何用大语言模型评估实验结果、设计六层优先级决策树、处理 Bad Case,并让输出结果可解释、可回归测试。
Clawdbot/OpenClaw 的高 Token 消耗主要来自系统提示词、ReAct 多轮循环、工具结果回灌和反射重试。围绕这些成本来源,拆解计算模型、典型场景和缓存、工作流、上下文压缩、工具裁剪、模型路由等降本手段。

2026 年 01 月

Agent Skills 可以理解为给 AI Agent 使用的结构化技能包,用来沉淀指令、参考资料、脚本和模板。掌握它的核心后,可以把一次性的 Prompt 改造成可复用、可维护、输出更稳定的工作模块。
Moltbook 是一个主要由 AI Agent 发帖、评论、点赞的社交网络。它展示了 Agent 之间协作和自组织的可能性,也暴露了工具权限、远程更新、脚本执行和内容治理上的安全风险。
讲解 Agent Studio 如何把本地 AI Agent 接入企业微信,并通过隧道、A2A 网关、MCP Admin 和定时任务形成个人 Agent 工作台。包含安装配置、调用流程、适用场景以及与 OpenClaw 的差异。
OpenSkills 把技能定义、匹配、资源加载和脚本执行拆成透明流程,适合把 AI Agent 能力集成到自己的 Python 项目。内容覆盖三层渐进式加载、SKILL.md 写法、脚本沙箱、Reference 加载模式和周报生成年度复盘的完整示例。
AI Agent 只靠静态记忆文件很容易保存过时信息。这里讲解 Moltbot 的三层动态记忆架构:知识图谱、每日笔记和隐性知识,并说明如何通过定时事实提取、每周综合整理和 Supermemory 集成,让 Agent 的上下文长期保持可读、可搜索、可更新。
Moltbot 是一个运行在本地设备上的 Agent 网关,可以通过 Discord、飞书等聊天工具远程调度电脑和 AI 工具完成任务。这里从部署环境、安装命令、网关访问、Discord 接入、飞书接入到安全边界完整讲清楚。