Agents

作者：Amar Chetri 译者：Carl Cui 跟 AI 对话的时候，你可能试过各种不同的语气，礼貌式的、命令式的，甚至是祈求式的。但是不知道为什么，AI 给出的答复总是不能令人满意。问题可能不在于 AI，而是在于你跟它对话的方式。 我们都有过这样的经历：打开 ChatGPT、DeepSeek 或 Gemini，带着一个绝妙的想法，输入问题，按下回车，然后 AI 的回复要么是泛泛之谈，要么存在事实错误，要么完全偏离了主题。你叹了口气，觉得这个 AI 简直笨得离谱，然后关掉浏览器。 资深的 AI 用户基本都能意识到这样的真相：LLM 不是魔法，而是“镜子”，它反映了你输入的质量。如果你从 AI 那里得到的输出质量不高，那很可能是因为输入的内容需要改善。 这就是所谓的 prompt engineering，提示词工程可以把那些拿 AI 当噱头的人和那些把 AI 作为生产力工具的人区分开来。这篇文章中，我们会教你如何构建合适的 prompt，来提高 AI 生成内容的质量。 1. 黄金法则：上下文为王 在深入探讨提示技巧之前，你需要理解一个基本原则：LLM 不记得你的生活、你的项目或你的偏好，除非你告诉它们。 当你问一个模糊的问题时，AI 的回复基本上是它所读过的关于该主题所有内容的平均值。它生来就是泛泛而谈的，你需要提供上下文，以此把它庞大的知识库缩小到正好是你需要的内容。 输出的质量与输入的质量直接相关，泛泛的提示只会产生泛泛的结果。 想象一下，你不会这样问一个人类专家：“告诉我关于营销的事情”。他们不知道从哪里开始，你可能会这样问：“我经营一家小面包店，预算只有 500 美元。这个周末我可以用什么营销策略来增加客流量？”。类似地，AI 也需要这种具体性。 2. 完美提示词的结构 在分析了数千个高效提示后，研究人员和资深用户发现了一种始终有效的结构，下面我们逐一拆解。 2.1 角色：给 AI 一个身份 提示中最强大的一句话是：“扮演……” 通过给 AI 分配一个角色，能立即缩小它的回复风格和知识库范围。 不好的提示：“为咖啡杯写一个产品描述。” 好的提示：“扮演一位获奖的生活方式品牌文案作家，为咖啡杯写一个产品描述。” 两个提示之间有天壤之别。AI 给第一个提示的回复大概会列出咖啡杯的特性，例如容量、陶瓷材质；而给第二个提示的回复更能从早晨的仪式感、入手的分量、精湛的工艺这些角度去激发潜在消费者的购买欲。AI 可以生成多种风格的回复，角色则告诉它使用哪一种风格。 2.2 任务：清楚说明你的目标 要明确你想要什么，而不是让 AI 去猜。 不好的提示：“告诉我法国大革命的事情。” 好的提示：“用 10 岁孩子能理解的方式解释法国大革命的三个主要原因。” 注意到这两个提示的区别了吗？第二个提示包含了一个限制（三个主要原因）和一个受众（10 岁孩子）。这迫使 AI 优先考虑并简化，而不是给你扔出一整章教科书般的内容。 ...

进入 2026 年，AI Agent 越来越频繁地出现在我们的视野里，那到底什么是 AI Agent？ 举个例子，3 月份爆火的 OpenClaw “小龙虾”，本质上是一个 AI Agent；开发人员最常用的 AI 辅助编程工具 Claude Code 和 Codex，本质上也是 AI Agent。OpenClaw 和 Claude Code 功能全面，代码量也庞大。这篇文章，我们会一步一步构建一个最小版本的编码 Agent，以此建立对 AI Agent 的直观感受。 1. 四步构建法 文章按照下面 4 个步骤来构建 agent： 接入 LLM； 添加工具； 构建 agent 循环； 构建对话循环； 不论实现的 agent 执行什么任务，都可以采用这样的 4 个步骤来构建。 2. 实现编码 Agent Agent 可以使用我们熟悉的任何语言来实现，例如 TypeScript，Python，Rust 等等，只要它接入 LLM 方便，可以调用 shell 命令工具就行。这里我们选择 Python。 完整的示例代码已经上传到 GitHub，链接在文章后面 2.0 项目设置 # 如果没有安装 uv，先安装它 pip install uv # 初始化 uv 环境 uv init 2.1 接入 LLM LLM 选择了 Kimi，Kimi 开放平台 注册的账号在完成个人认证后会收到 15¥ 赠送额度，拿来演示够用了。Kimi 开放平台兼容 OpenAI 协议，可以直接使用 OpenAI SDK 接入。 ...

作者：Bibek Poudel 译者：Carl Cui 如果你写的 skill 没有触发，问题基本上都出在元数据的 description 部分，而不在 skill 内容本身。 不少人都有类似的经历：写了一个 SKILL.md，将其放在正确的文件夹中，要求 agent 使用它，但是啥反应也没有。修改了 skill 内容，仍然没有效果。问题从来不是 skill 本身的内容，而是 agent 用来决定是否激活它开头的那两行。 在本指南中，我先讲解 Agent Skills 工作原理，指出为什么大多数人会写错，然后从简单到复杂构建四个 skill：一个 README 编写器、一个 git 提交消息生成器、一个代码审查器和一个完整的 MCP 驱动的冲刺规划器。 什么是 Agent Skill？ Skill 不是插件，也不是访问 API 的脚本。我们可以把它当作为团队新成员编写的入职指南。与其在每次跟 agent 对话时重新解释你的工作流程和偏好，不如将它们打包起来丢给 agent，让它根据你的请求自动加载。 本质上，skill 以一个文件夹的形式存在： your-skill-name/ ├── SKILL.md # 必需：指令 + 元数据 ├── scripts/ # 可选：agent 运行的可执行代码 ├── references/ # 可选：仅在需要时加载的文档 └── assets/ # 可选：模板、图片、字体 唯一必需的文件是 SKILL.md。其他所有内容都是可选的，但随着 skill 复杂度的增加而变得重要。 SKILL.md 格式是一个开放标准，由 Anthropic 于 2025 年 12 月在 agentskills.io 发布。它适用于 Claude Code、OpenAI Codex 和 OpenClaw。虽然格式是标准化的，但每个平台在发现和工具调用方面的实现略有不同。可以理解为同一编程语言，经过不同编译器编译后，结果不是完全相同的。在 Claude Code 上有效的 skill 很可能在 Codex 上也有效，但运行时行为（如 session snapshotting、工具权限和调用模式）在不同平台之间有所不同。 ...

译者：Carl Cui 这篇文章来自作者 Reza Rezvani，文章分享了一个基于 Claude Code 原生功能构建 AI Agent 的方案，完全摒弃了 LangChain 等外部框架。作者的实际经验表明，使用简单的 Markdown 文件和 YAML 配置就能构建强大的 AI 代理系统，利用 Claude Code 的内置功能。这个方法简化了开发流程，降低了维护成本，适合在生产环境中部署。 六个月前，我深陷在 LangChain 编排框架中：自定义 ReAct 循环，JSON schema 验证器和一个手工构建的记忆系统，通过三个我已经不再完全理解的 Python 脚本粘合在一起。 然后我删除了所有这些。 Claude Code：如何构建你的 agent | 使用 Gemini 生成 注意： 我使用 AI 进行研究协助。这里描述的 agent 配置、生产工作流和生产上下文来自我每天在工程和运营中运行的系统。 不是因为它没用。它其实挺有用的。但每次我想改变 agent 的行为时，我都在编辑 Python 类、重新部署容器和调试序列化错误。这个系统既强大也脆弱。 替代它的东西简单得令人尴尬：带 YAML frontmatter 的 Markdown 文件，保存在 Claude Code 已经监视的目录中。不需要框架，没有构建步骤，没有部署管道，就只是些文件而已。 现在网上广为流传的那份 How to Build AI Agents from Scratch 的 cheat sheet 并没有错。其中 10 个步骤分别是：定义角色、设计 I/O、调整行为、添加推理、构建 multi-agent 逻辑、添加记忆、输出结果、包装在 UI 中、评估和监控。这些是正确的步骤。但对于 Claude Code，每一步都有原生的解决方案，不需要依赖 LangChain、CrewAI 或 OpenAI Swarm。 ...