一周又过完了，这周整体节奏还是比较轻松的，一半的时间可以在宿舍办公搞学习。这周主要加深了对智能体的理解，并实践了skills功能，同时也阅读了anthropic的技术博客Engineering \ Anthropic，为后续开发打下基础。

💡 本周关键词：#智能体学习 #文章阅读
📊 本周满意度：⭐⭐⭐⭐☆
🎯 核心聚焦：强化了对智能体的理解

1. 本周成就

• 强化对智能体的理解：通过学习开源项目GitHub – shareAI-lab/learn-claude-code: Bash is all you need – A nano Claude Code–like agent, built from 0 to 1 · GitHub，目前我只学到了skills阶段，即s05，后面这个项目还更新了很多新技术，如上下文三层压缩等技术，还需要继续学习。
  • 成功搭建了能够加载skills的智能体，skills加载到工具上下文中让LLM学习；
  • 理解了“智能体即循环”的概念，通过判断是否调用工具来决定是否继续循环迭代。
• 个人成长：坚持锻炼了 4 天。
• 其他：
  • 周六踢了一场球，太久没踢了，小腿酸胀；
  • 去医院做了激光，点了10个扁平疣，先看看效果如何，好的话后面继续去。

2. 本周学到了什么

• 知识点 1：OpenAI API学习以及智能体即循环实践
  • 见文章OpenAI API学习及Function Calling – Pipe。
  • 传统 Chat Completions API 不直接支持 MCP。MCP 功能目前主要在 Responses API 中提供，如需在 Chat Completions 中使用，需通过 Agents SDK 或自行实现 MCP 客户端逻辑。
• 知识点 2：Skills实践
  • 在智能体启动时，把可用的skills的标题和description加载到system prompt中，让LLM知道有哪些skills可选。
  • LLM根据具体任务需求，调用skills加载工具，传入要加载的skills名称，工具返回skills具体内容，添加到工具调用结果中，在下一次循环时传给LLM，让LLM知道这个skills要干啥。
  • SKILL.md是核心，开头由skill的名称和description组成，后面的正文内容就和操作手册一样。
• 知识点3：Python字典解包操作：**kwargs
  • ** 的含义：将字典解包为关键字参数，** 会自动将字典的 key 变成参数名，value 变成参数值
  • 如params = {"query": "Python 教程", "limit": 10}，function(**params)等价于 function(query="Python 教程", limit=10)
• 知识点4：技术文章阅读
  • Effective context engineering for AI agents \ Anthropic
    • 核心思想：上下文是有限资源，需精心策划进入模型注意力预算的信息
    • 关键策略：
    • ├─ 系统提示词：清晰、直接、恰到好处的抽象层级
    • ├─ 工具设计：功能独立、描述清晰、避免重叠
    • ├─ 示例选择：多样化典型示例，而非穷举边缘情况
    • ├─ 动态检索：”即时加载”替代”预先加载全部”
    • └─ 长程任务：压缩 + 结构化笔记 + 多智能体架构
  • Building Effective AI Agents \ Anthropic
    • 6种模式：提示链/路由/并行/编排者/评估者/自主智能体
      • 1️⃣ 提示链（Prompt Chaining）
        • 任务 → 步骤1 → 检查 → 步骤2 → 输出
        • ✅ 适用：可分解的固定子任务
      • 2️⃣ 路由（Routing）
        • 输入 → 分类器 → 专业处理流程A/B/C
        • ✅ 适用：不同类别需不同处理策略
      • 3️⃣ 并行化（Parallelization）
        • 分段：任务→子任务A/B/C→聚合
        • 投票：同一任务多次执行→投票决策
        • ✅ 适用：需速度或多视角验证
      • 4️⃣ 编排者 – 工作者（Orchestrator-Workers）
        • 主导智能体动态分解任务→委托子智能体→综合结果
        • ✅ 适用：子任务不可预知的复杂任务
      • 5️⃣ 评估者 – 优化者（Evaluator-Optimizer）
        • 生成→评估→反馈→迭代优化
        • ✅ 适用：有清晰评估标准的迭代任务
      • 6️⃣ 自主智能体（Autonomous Agents）
        • 规划→执行→环境反馈→决策循环
        • ✅ 适用：开放式、步骤不可预测的任务
  • Writing effective tools for AI agents—using AI agents \ Anthropic
    • 工具设计原则：命名空间、上下文返回、Token 效率、提示工程
      • ✅ 命名空间化：asana_search / jira_search 避免混淆
      • ✅ 返回高信号信息：name/image_url 优于 uuid/mime_type
      • ✅ Token 效率：分页/过滤/截断 + 合理默认值
      • ✅ 响应格式灵活：支持 concise/detailed 枚举选择
      • ✅ 描述清晰：像给新人讲解，避免歧义，示例+边界+边缘情况
      • ✅ 防错设计：参数命名明确（user_id 而非 user），错误信息可操作
      • ❌ 避免：工具功能重叠、返回低价值元数据、模糊描述、过度设计

3. 踩坑与解决方案

问题描述	原因分析	解决方案	避免策略

6. 本周瞬间

图注：北京也有靖晨园蒸饵丝，味道比云南吃的更咸一点。