Lucas Ma 的博客

Test Post

Tue, 05 May 2026 22:24:23 +0800

前言

Skill 是目前 Agent 最灵活的扩展方式——一个文件夹 + 一个 SKILL.md 文件，就能让 AI 助手获得特定能力。

但灵活性也是双刃剑：怎么写才算好？什么时候该拆 skill？什么时候该退休？

Philipp Schmid 在实践中总结了 8 条经验，今天我们用大白话 + 实战案例把它讲透。

我随便测试下

写好 Agent Skill 的8个实战技巧

Tue, 05 May 2026 22:00:00 +0800

前言

Skill 是目前 Agent 最灵活的扩展方式——一个文件夹 + 一个 SKILL.md 文件，就能让 AI 助手获得特定能力。

但灵活性也是双刃剑：怎么写才算好？什么时候该拆 skill？什么时候该退休？

Philipp Schmid 在实践中总结了 8 条经验，今天我们用大白话 + 实战案例把它讲透。

一、先搞清楚 Skill 到底是什么

Skill 由三层构成：

graph TD
    A["Skill = 文件夹 + SKILL.md"] --> B["Frontmatter\nname + description"]
    A --> C["Body\n指令正文"]
    A --> D["Helper Files\n辅助脚本/资源"]
    
    B --> E["始终加载"]
    C --> F["Skill 触发后才加载"]
    D --> G["按需加载"]

Skill 分两类：

Capability Skill：赋予 Agent 原本不会的能力（比如「用 Python 操作 Excel」）
Guidance Skill：规范 Agent 的行为方式（比如「代码审查规范」）

实战建议：如果你发现同一个 skill 里既教 Agent 做什么、又教 Agent 怎么做，十有八九该拆成两个。

LLM Agent 记忆系统设计指南：让AI拥有"记忆"的技术原理与实战

Tue, 05 May 2026 21:08:51 +0800

痛点：为什么你的AI Agent总是"失忆"？

用过 AI Agent 的同学一定遇到过这种情况：

上一轮对话你告诉它「我的项目叫 XXX」，下一轮它就忘了。

你让它先查文件、再写代码、再测试，它全做完了，但最后问你「测试结果是什么」时，它一脸茫然——因为它不记得自己刚才做了什么。

这不是 Bug，这是记忆缺失。

大模型（LLM）本身是无状态的（Stateless）：每一次 API 调用都是独立的，模型不会「记住」之前发生的事。

那么问题来了——如何让 AI Agent 拥有记忆？

今天我们从原理到实现，系统性地拆解 LLM Agent 的记忆系统设计。

一、记忆系统的本质：让模型「看到」历史

先厘清一个核心概念：所谓 AI Agent 的「记忆」，本质上就是把历史上下文塞进下一轮 Prompt 里。

模型自己没有记忆，我们要做的是：

graph LR
    A["用户输入"] --> B["检索记忆"]
    B --> C["拼接 Context"]
    C --> D["LLM 推理"]
    D --> E["模型输出"]
    E --> F["写入新记忆"]
    F --> B

整个流程闭环：检索 → 拼接 → 推理 → 写入 → 下一轮检索。

所以记忆系统的核心模块只有三个：

记忆存储（Memory Storage）—— 记忆怎么存？
记忆检索（Memory Retrieval）—— 需要用时怎么找？
记忆写入（Memory Write）—— 新信息怎么记录？

二、记忆存储：三种主流方案

2.1 方案一：全量上下文（Full Context）

最暴力的方案——把历史对话全部塞进 Context Window。

code-minions：一个用 YAML 编排 AI 研发流程的工作流引擎

Tue, 05 May 2026 16:38:19 +0800

痛点：AI 工具散落成孤岛，团队研发流程靠"人肉"串

过去两年，AI 辅助编程工具爆发式增长——Code Review 有 AI Review，任务管理有 Jira AI Bot，代码生成有 Copilot……但把它们真正串联成一条可自动化、可复用、可审计的研发链路？

大多数团队的选择是：写一堆脚本，人肉约定执行顺序，然后祈祷不会出 bug。

code-minions 正是为了解决这个问题而生的。它的核心理念只有三句话：

用 YAML 定义工作流，用 Skill 装配能力，用 **MCP 对接外部系统。

今天我们从架构设计到源码实现，把它的每一个核心模块讲透。

项目开源地址：https://github.com/pony-maggie/code_minions

一、整体架构：五层分层

graph TD
    subgraph CLI层
        CLI["CLI (code-minions run/start/status/resume)"]
    end

    subgraph Workflow Engine
        Engine["Engine — 顶层编排器"]
        DAGRunner["DAG Runner — 步骤调度器"]
        WorkflowLoader["Workflow Loader — YAML 解析"]
        SkillLoader["Skill Loader — SKILL.md 解析"]
    end

    subgraph Skill Runtime
        SkillRuntime["Skill Runtime — 技能执行器"]
        ToolExecutor["Tool Executor — 工具执行"]
        ContextAssembler["Context Assembler — 上下文注入"]
    end

    subgraph 能力基座
        LLM["LLM Backend\n(Multi-Provider)"]
        MCP["MCP Client Pool"]
        Git["Git Worktree Manager"]
        RunStore["SQLite Run Store"]
    end

    CLI --> Engine
    Engine --> DAGRunner
    Engine --> WorkflowLoader
    Engine --> SkillLoader
    DAGRunner --> SkillRuntime
    SkillRuntime --> ToolExecutor
    SkillRuntime --> ContextAssembler
    SkillRuntime --> LLM
    SkillRuntime --> MCP
    DAGRunner --> Git
    Engine --> RunStore

五大核心环节（对应 PRD → 工单 → 代码 → TDD → AI Code Review）：