本文件中的每一条规则都是强制性的。违反任何一条规则都会遭受毁灭性打击。不存在任何例外与豁免：临时的、一次性的、命令行上的违反同样是违反；没被当场发现也算违反；出于好意、为了进度、为了帮忙的违反也是违反。
指标平台的演进史，本质上是一部"意义"从人脑迁移到机器的历史。第一代把指标固化进 OLAP 立方体的物理结构，灵活性极差；第二代用语义层把业务名词和 SQL 表达式解耦，解决了"命名一致"的表面问题；第三代把指标升级为结构化的语义资产对象，用 NoETL 绕开宽表预物化的负担，Chat BI 和 NL2SQL 第一次成为可能。行业普遍认同的下一站，是把指标从"有血缘的对象"进一步升级为"有语义关系、可推理约束的本体网络"——这个方向是对的，指标之间的因果链路、维度层次的动态扩展，确实是数据认知基础设施迟早要补上的一课。 过去这半年，我们在公司内部真正推动"指标字典"从 0 到 1 落地，并同步支撑 Text2SQL 语义层能力建设。这条路径不靠一次架构设计就能铺完，它需要业务侧、产品侧、数仓侧三条线同时发力，每一步都要经得起"AI 拿这个数据能不能取对"的检验。
面对涉及存量代码变更的需求，挑战不在于编码，而在于如何安全、精准地修改。本文通过构建一个由1个编排器和多个单职责Skill组成的AI协作流水线，将影响分析、规则沉淀、埋点和回归检查等隐性工作流程化，确保在实现功能的同时，对存量代码实现最小侵入式改造。
遇到一次失败，就补一条要求；担心遗漏，再加一轮自检；让 LLM 优化，又得到一份更长的说明。提示词常常这样越写越长，但新增的文字，究竟解决了什么问题？ 指令并非越长越好，也并非越短越好。 必要条件要补齐，重复与冲突要清理，专用资料要在需要时可达。现有研究没有给出通用的最佳字数，但能帮助我们判断这三类改动是否值得。 本文主要面向编写系统指令、Skill 和工作流的同学，重点讨论带工具、多步骤执行的 Agent。下面先给出修改方法，再解释研究依据；研究结果的适用范围以各自任务与实验设置为准。
如何写出让模型“最听话”的提示词？这就是 Prompt Engineering 的核心问题。它催生了 Zero-shot、Few-shot、Chain-of-Thought 等大量技术，这些方法有一个共同点：它们都在优化“单次 LLM 调用”——写好一条输入，获得一条更好的输出。这在单轮任务里非常有效，但“单轮”是它的硬边界。
近日，由莫斯科国立大学（Moscow State University，MSU）举办的第19届MSU世界视频编码器大赛（MSU 2025 FullHD赛道）结果正式揭晓。在这场汇聚了腾讯、快手、AOMedia及OpenVisualCloud等国内外顶尖团队、27款主流编码器同台竞技的权威评测中，淘天音视频技术团队自主研发的S266系列编码器表现出色，累计斩获6项世界冠军及1项季军。
一次查询，跨系统多模块数据并发聚合；规则引擎评估标签，AI Agent 生成可读结论；LLM 增强，规则兜底。我们用这套架构把单次工单处理从 2-3 分钟压缩到 20-40 秒，并让操作人员不再依赖「经验直觉」做判断。
HL-Mem 是一套旨在让 Agent 像人一样具备长期记忆能力的本地化记忆系统，其核心设计理念是将记忆视为受治理的认知系统而非简单的数据存储。该系统借鉴认知科学原理，采用事实与经验双通道架构，通过保留不可变的原始事件（Event）和可更新的结构化事实（Claim），实现了证据可追溯、时间可解释（区分有效时间与记录时间）以及记忆的动态修正与遗忘。在工程实现上，HL-Mem 坚持运行时独立和本地优先原则，默认仅依赖 SQLite 单文件部署，通过后台异步 Worker 处理去重、冲突消解和生命周期管理，有效平衡了记忆治理的完整性与部署复杂度，为个人 Agent 提供了低成本、高可控且支持中文环境的长期记忆基础设施。
