本文的核心思路是从Prompt、Context和Harness这三个维度展开，分析OpenClaw的设计思路，提炼出其中可复用的方法论，来思考如何将这些精华的设计哲学应用到我们自己的Agent系统设计和业务落地中去。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
年初火爆现在热度依旧的OpenClaw为AI Agent带来了新的想象。如果说2025是AI Agent智能体元年，想必2026将会是AI Agent真正商用化的开端，而AI Agent商用化的前提是各行各业开始落地实际商业领域的AI Agent。作为一名程序员/工程师，思考的更多的可能是如何将AI Agent落地实现的层面。工程框架往往是工程应用实现的基石，框架选型也是架构师们设计与实现一个AI Agent智能体的首要工作。
做这个 Skill 的初衷很直接，也很现实：功能开发时容易"顺手新建一个"，而不是先复用已有组件，造成组件库越来越臃肿。这件事对团队的伤害其实是复利型的：重复组件越来越多；维护成本越来越高；UI/交互一致性越来越差；AI 生成代码时也更容易继续复制混乱。所以做这个 Skill 的目标不是"帮 AI 搜索一下"，而是：把"复用优先"的思考过程流程化，让 AI 在写代码前先走一遍"查索引 → 判断是否复用 → 命不中再新建"的路径。
前段时间，《人民想念DeepSeek》刷屏，文章提到一点——DeepSeek推动了全球大模型的降本，让用户和行业得以享受更便宜的Token。关键的问题是，“小龙虾”这类智能体应用的疯狂“烧Token”，再次推高用户的使用成本，这种情况下，推动全行业降本增效的重任又落到了DeepSeek的肩上。算算时间，DeepSeek V3、R1发布已一年有余，外界原本预期DeepSeek V4今年春节会来炸场，但最终希望落空。不过，从近期宕机、专家模式上线等一系列动态来看，感觉DeepSeek V4有可能离我们越来越近了。所以，这可能也是最后一次“催更”DeepSeek。在这封催更信里面，我想和那些想念DeepSeek的朋友，聊聊中国AI的叙事、技术进化的浪潮、生态竞争、Token经济学这些话题。
本文是悟空Agent泛化能力系列的先导篇。我们不展开技术细节，只回答一个核心问题：为什么悟空Agent在漏洞挖掘中需要泛化能力。后续系列将深入拆解泛化体系的每个环节——感知、建模、自迭代、规模化验证。如果你对AI代码安全感兴趣，这是一个值得从头跟下去的故事。
本文针对传统RAG存在的意图识别模糊、知识碎片化及缺乏评测闭环等痛点，提出了一套系统性解决方案：首先，利用思维链（CoT）驱动的意图识别，将用户问题分解为多步逻辑查询并行检索，解决了上下文工程中查询不精准的问题；其次，在检索架构上，对比了GraphRAG高昂的构建成本与维护难度，文章重点阐述了LightRAG的落地实践，通过实体关系抽取与双层检索范式，在保留图结构优势的同时实现了秒级响应与增量更新；最后，构建了多维度的评测体系，强调人工校验以克服模型“过度自信”，旨在通过数据驱动的方式持续提升答疑系统的上下文构建能力。
起初是打算写一篇 Rules 相关的备份文章，写着写着，想到自己虽然天天使用 AI 编程工具，包括Cursor、Kiro、Angravity、Trae、Codebuddy 等等，但是对于 这些工具中 相关的 Rules、Skills、Subagents、MCP的概念并不清楚；使用也仅限于了在 Agent 中发送一句，让 AI 执行；有时候好多重复的限定条件的指定还单独用记事本保存，怎么说呢，只用到了 这些工具 1% 的功能。。。所以我写的过程中也在结合自己的实际情况，分析如何更好的使用 AI 开发工具。看完这篇文章，会对Rules、Skills、Subagents、MCP有基本的了解，知道都是什么，分别合适在什么时候用，以及怎么用。Ps：作为一个 iOS 开发，语言有 OC、Swift、SwiftUI、Flutter，所以 Rules 也是偏向这些的；下面文章中使用 Cursor 来说明如何设置，其他的工具都大致一样。
