Tech Blog
Skill 不是 Prompt，Skill 是文件夹：Anthropic 内部 Agent 工程的六个核心 Insight— > 基于 Thariq 的推文整理，原文：https://x.com/trq212/article/2033949937936085378
"Seeing Like an Agent" 深度解读— > 原文：Thariq (@trq212)，Anthropic Claude Code 团队 解读基于对原文的逐概念拆解、追问与延伸讨论
OpenClaw 架构深度解析：Memory 模块与执行模型— > 本文基于 OpenClaw 源码分析，涵盖长期记忆系统的完整设计与 Node.js 单进程并发模型的工程原理。
Planner, Harness, Skill Evaluation：构建工业级 Agent 系统的三层架构— > 大多数 Agent 教程教的是怎么让 LLM 调工具。这篇文章讲的是怎么让 Agent 系统在生产环境里可靠地跑起来。
Agent 如何给自己写新 Skill——从 OpenClaw 到 Pitfall Registry— 大多数 agent 系统的工具集是静态的——启动时确定，运行时不变。但真正实用的 agent 需要在运行中积累经验、扩展能力。这篇文章对比两种不同架构下的"agent 自我扩展"实现：OpenClaw 的 file watcher 机制，以及我在 Game V0 项目里基于 MCP 实现的 Pitfall Registry。
PageRank Algo 应用于 Codebase 寻找业务逻辑...— > Intuitively not good.
**Celery与Docker中的“Worker”：层级、并发与GIL全解析**— > 小白confused。
RAG工程化 - 解析RAGFlow— 1. 文件解析与清洗: ragflow/rag/flow/parser/parser.py
Langgraph 源码解析 - 状态&&DI— > AgentState | configurable | ToolNode | Dependency Injection
Dify Agent 源码分析 - Dify(1)— > 工程能力是体现在细节上的.
01. Ollama & 一些小问题— - **CPU**（Central Processing Unit）
Next.js 中文路径 404 问题完整排查与解决指南— > 嗯... I love AI generated contents
Inference-time Technique for scaling token budget— > o3 pretty impressive, why?
LLM1.1 Tokenization— > 所有人的LLM第一课 - Fine