本文以百亿补贴详情助手 Skill 的迭代历程为例，总结 Skill 研发与迭代实践。文章先梳理业界方法论——Claude Skills 的渐进式披露与控制调优、MiniMax 的工业化规范、以及常见的 Skill 设计模式；随后从架构设计、研发效能、运行优化 3 个维度展开详细介绍了桥接器解耦本地 Skill 与远程 Agent、按需共享上下文、优先输出优质 HTML 报告等高效实践，帮助读者提高 Skill 研发效能。
我们用 AI Agent 驱动前后端全流程开发——从需求分析到自动化测试，整个 harness 工作流由 1 个 TL + 6 个子 Agent 组成。跑起来之后第一个问题就是：钱烧得很快，但完全不知道烧在哪。我们先用 AgentLens 把成本拆开看，发现系统提示词、工具返回信息、历史消息是大头。围绕"让 AI 只看到当前需要的上下文、减少无关的上下文、减少重复的上下文"这三个原则，我们逐一改造了架构拆分、稳定前缀、渐进式披露、代码图谱、CLI 替代 MCP、长期记忆按需索引、工具调用并行化等 10 个方向。整体全流程预估降本 50%~65%。
DeepSeek Harness（DSH）是 DeepSeek 开源的 Agent Harness，由 Cordis 微内核驱动，采用"一切皆插件"的架构。模型、工具、持久化和 Agent loop 都可以按需组合。Harness 很像 Agent 的"驾驶舱"：它把模型的思考和工具的执行串成一个循环，让 Agent 不只是回答问题，还能持续规划、动手，并根据执行结果决定下一步。DSH 开源后，社区很快开始围绕它开发各种插件。随着生态逐渐成熟，我们相信会有越来越多团队用它构建自己的 Agent 产品。不过，本地跑通单机 DSH 并不难，难的是基于 DSH 构建一个能够稳定服务大量用户的生产级 Agent 应用。我们真正需要回答的，已经不是"能不能跑"，而是"怎样跑得稳、跑得省，还能方便扩展"。
在复杂的微服务架构中，排查 Bug 往往像是在做刑侦探案。而最令人绝望的 Bug，通常被称为 Heisenbug（测不准 Bug）——你重启它就好了，你打断点它就不出现了，它只在特定的并发量和特定的业务数据组合下，才会露出獠牙。本文记录了一次真实的线上 UGC（用户生成内容）违禁词系统故障排查过程。从一个看似简单的“数据修改不生效”客诉开始，顺藤摸瓜，最终竟然挖出了潜伏在系统深处、完美利用了 Java 底层机制的 4 个连环隐患。全篇硬核无水分，建议先收藏再看，如果你正在使用 HashMap 和线程池，这篇文章绝对能帮你避开几个暗雷。
在大语言模型（LLM）技术的深刻影响下，搜索引擎正经历第三次范式跃迁：从 1.0 时代的“关键词文本匹配”，到 2.0 时代的“行为统计与个性化搜索”，再到 3.0 时代向“复杂意图理解与认知决策”的全面进化。美团搜索团队正依托团垂融合新架构与生成式大模型新技术，全面重构本地生活搜索底座。本系列技术博客将持续介绍美团搜索 3.0 的技术探索，本文聚焦 LLM 语义表征在服务零售排序场景上的三期实践——从单点特征验证到系统性表征体系构建，再到跨场景迁移复用，探索语义匹配信号在搜索排序中的应用路径。
