<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Agent :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/Agent/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/Agent/index.xml" rel="self" type="application/rss+xml"/><item><title>patdis-实战：从 9250 stars 开源专利 skill 到端到端跑通与反哺上游</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/patdis-%E5%AE%9E%E6%88%98%E4%BB%8E9250-stars-%E5%BC%80%E6%BA%90%E4%B8%93%E5%88%A9-skill-%E5%88%B0%E7%AB%AF%E5%88%B0%E7%AB%AF%E8%B7%91%E9%80%9A%E4%B8%8E%E5%8F%8D%E5%93%BA%E4%B8%8A%E6%B8%B8/index.html</link><pubDate>Sat, 12 Sep 2026 13:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/patdis-%E5%AE%9E%E6%88%98%E4%BB%8E9250-stars-%E5%BC%80%E6%BA%90%E4%B8%93%E5%88%A9-skill-%E5%88%B0%E7%AB%AF%E5%88%B0%E7%AB%AF%E8%B7%91%E9%80%9A%E4%B8%8E%E5%8F%8D%E5%93%BA%E4%B8%8A%E6%B8%B8/index.html</guid><description>patdis-实战：从 9250 stars 开源专利 skill 到端到端跑通与反哺上游 写在前面的诚实声明：本文所有"实测"都来自本机一次端到端的真实跑通——browser.py --probe、mermaid_render.py、gh pr create 都拿到了真实的 stdout 返回值，所有数字对应真实可核验的产物。但这不是 benchmark：跑的是仓库自带的 3 个示例案件，不是真实专利场景；查新走的是公开可访问的 Google Patents 降级渠道，不是国知局真实检索流量；两张 PR 还在等上游回复，没有被合并。本文记的是"怎么把这个 skill 装起来跑通 + 给上游提了两个 PR"的一次完整经历，以及从中提炼出的对设计 agent-first 工具的读者可借鉴的机制——不是工具评测。</description></item><item><title>Function Calling 与 Tool Use：工作原理、编排模式与安全考量</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Function-Calling%E4%B8%8ETool-Use%E5%B7%A5%E4%BD%9C%E5%8E%9F%E7%90%86%E7%BC%96%E6%8E%92%E6%A8%A1%E5%BC%8F%E4%B8%8E%E5%AE%89%E5%85%A8%E8%80%83%E9%87%8F/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Function-Calling%E4%B8%8ETool-Use%E5%B7%A5%E4%BD%9C%E5%8E%9F%E7%90%86%E7%BC%96%E6%8E%92%E6%A8%A1%E5%BC%8F%E4%B8%8E%E5%AE%89%E5%85%A8%E8%80%83%E9%87%8F/index.html</guid><description>Function Calling 与 Tool Use：工作原理、编排模式与安全考量 Function Calling 是现代 LLM Agent 体系的基石能力——没有它，大模型只是一个封闭的文本生成器；有了它，大模型才能与真实世界交互。从 2023 年 6 月 OpenAI 首次在 GPT-3.5/GPT-4 中引入 Function Calling，到 Anthropic 为 Claude 推出 Tool Use，再到各开源模型纷纷跟进，工具调用已经从"锦上添花"变成了 Agent 架构的必选组件。</description></item><item><title>Agent 记忆系统：短期/长期/工作记忆的技术方案对比</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E8%AE%B0%E5%BF%86%E7%B3%BB%E7%BB%9F%E7%9F%AD%E6%9C%9F%E9%95%BF%E6%9C%9F%E5%B7%A5%E4%BD%9C%E8%AE%B0%E5%BF%86%E7%9A%84%E6%8A%80%E6%9C%AF%E6%96%B9%E6%A1%88%E5%AF%B9%E6%AF%94/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Agent%E8%AE%B0%E5%BF%86%E7%B3%BB%E7%BB%9F%E7%9F%AD%E6%9C%9F%E9%95%BF%E6%9C%9F%E5%B7%A5%E4%BD%9C%E8%AE%B0%E5%BF%86%E7%9A%84%E6%8A%80%E6%9C%AF%E6%96%B9%E6%A1%88%E5%AF%B9%E6%AF%94/index.html</guid><description>一、为什么 Agent 需要记忆 1.1 从无状态到有状态的范式跃迁 大语言模型（LLM）本质上是一个无状态的函数：每次调用传入一段文本，返回一段文本。模型本身不保留任何跨调用的上下文。这意味着，当你对 ChatGPT 说"我叫张三"，下一次对话它并不记得你。</description></item><item><title>Qwen-MM-Plugins 到底怎么样：把多模态能力插进 Hermes 的完整实测</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Qwen-MM-Plugins%E5%88%B0%E5%BA%95%E6%80%8E%E4%B9%88%E6%A0%B7%E6%8A%8A%E5%A4%9A%E6%A8%A1%E6%80%81%E8%83%BD%E5%8A%9B%E6%8F%92%E8%BF%9BHermes%E7%9A%84%E5%AE%8C%E6%95%B4%E5%AE%9E%E6%B5%8B/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/Qwen-MM-Plugins%E5%88%B0%E5%BA%95%E6%80%8E%E4%B9%88%E6%A0%B7%E6%8A%8A%E5%A4%9A%E6%A8%A1%E6%80%81%E8%83%BD%E5%8A%9B%E6%8F%92%E8%BF%9BHermes%E7%9A%84%E5%AE%8C%E6%95%B4%E5%AE%9E%E6%B5%8B/index.html</guid><description>Qwen-MM-Plugins 到底怎么样：把多模态能力插进 Hermes 的完整实测 作者：x7peeps · 2026-08-14 全部数据来自本机真实实验：Mage-VL-8bit 本地视觉模型（M5 Max）+ deepseek-v4-flash 主模型 + Qwen-MM-Plugins core v1.0.2</description></item><item><title>AI-Native IT 运维平台：Agent 重构企业 IT 服务架构</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/AI-Native-IT%E8%BF%90%E7%BB%B4%E5%B9%B3%E5%8F%B0Agent%E9%87%8D%E6%9E%84%E4%BC%81%E4%B8%9AIT%E6%9C%8D%E5%8A%A1%E6%9E%B6%E6%9E%84/index.html</link><pubDate>Fri, 03 Jul 2026 15:17:54 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/AI-Native-IT%E8%BF%90%E7%BB%B4%E5%B9%B3%E5%8F%B0Agent%E9%87%8D%E6%9E%84%E4%BC%81%E4%B8%9AIT%E6%9C%8D%E5%8A%A1%E6%9E%B6%E6%9E%84/index.html</guid><description>传统 IT 运维的结构性困境 企业 IT 运维部门长期面临着一个悖论：随着数字化转型的深入推进，IT 服务的复杂度和用户期望同步攀升，但运维团队的编制和预算几乎停滞不变。这种"需求膨胀、资源锁死"的剪刀差正在将传统 IT 运维推向效率悬崖。</description></item><item><title>LangChain 与 LangGraph 技术栈：核心抽象、工作流编排与生产实践</title><link>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/LangChain%E4%B8%8ELangGraph%E6%8A%80%E6%9C%AF%E6%A0%88%E6%A0%B8%E5%BF%83%E6%8A%BD%E8%B1%A1%E5%B7%A5%E4%BD%9C%E6%B5%81%E7%BC%96%E6%8E%92%E4%B8%8E%E7%94%9F%E4%BA%A7%E5%AE%9E%E8%B7%B5/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/03-Agent%E6%9E%B6%E6%9E%84%E4%B8%8E%E6%A1%86%E6%9E%B6%E7%94%9F%E6%80%81/LangChain%E4%B8%8ELangGraph%E6%8A%80%E6%9C%AF%E6%A0%88%E6%A0%B8%E5%BF%83%E6%8A%BD%E8%B1%A1%E5%B7%A5%E4%BD%9C%E6%B5%81%E7%BC%96%E6%8E%92%E4%B8%8E%E7%94%9F%E4%BA%A7%E5%AE%9E%E8%B7%B5/index.html</guid><description>一、LangChain 生态全景 LangChain 是当前 LLM 应用开发领域最成熟、最庞大的开源框架生态。理解它在整体技术栈中的定位，是选择技术方案的前提。</description></item><item><title>Context Engineering：从 Prompt 到上下文系统的工程化演进</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/Context-Engineering%E4%BB%8EPrompt%E5%88%B0%E4%B8%8A%E4%B8%8B%E6%96%87%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E6%BC%94%E8%BF%9B/index.html</link><pubDate>Wed, 15 Jul 2026 16:21:46 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/Context-Engineering%E4%BB%8EPrompt%E5%88%B0%E4%B8%8A%E4%B8%8B%E6%96%87%E7%B3%BB%E7%BB%9F%E7%9A%84%E5%B7%A5%E7%A8%8B%E5%8C%96%E6%BC%94%E8%BF%9B/index.html</guid><description>Context Engineering：从 Prompt 到上下文系统的工程化演进 在 LLM 应用开发领域，2023 年是 Prompt Engineering 的年份——开发者们痴迷于找到"神奇的措辞"来释放模型能力。但当 AI 应用从简单的单轮对话演进到复杂多步骤 Agent 系统时，一个新问题浮出水面：大多数 Agent 的失败不是因为模型不够聪明，而是因为它看到的信息不够好。</description></item><item><title>1324个CTF writeup的技能化长跑：空白识别与五道质量闸</title><link>https://blog.x7peeps.com/AI/08-%E5%AE%89%E5%85%A8%E4%B8%8EAI%E8%9E%8D%E5%90%88/1324%E4%B8%AACTF-writeup%E7%9A%84%E6%8A%80%E8%83%BD%E5%8C%96%E9%95%BF%E8%B7%91%E7%A9%BA%E7%99%BD%E8%AF%86%E5%88%AB%E4%B8%8E%E4%BA%94%E9%81%93%E8%B4%A8%E9%87%8F%E9%97%B8/index.html</link><pubDate>Mon, 05 Oct 2026 22:30:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/08-%E5%AE%89%E5%85%A8%E4%B8%8EAI%E8%9E%8D%E5%90%88/1324%E4%B8%AACTF-writeup%E7%9A%84%E6%8A%80%E8%83%BD%E5%8C%96%E9%95%BF%E8%B7%91%E7%A9%BA%E7%99%BD%E8%AF%86%E5%88%AB%E4%B8%8E%E4%BA%94%E9%81%93%E8%B4%A8%E9%87%8F%E9%97%B8/index.html</guid><description>1324个CTF writeup的技能化长跑：空白识别与五道质量闸 一句话结论：把上千篇 CTF writeup 变成智能体可复用的技能库，瓶颈根本不在"理解 writeup"，而在两件更枯燥的事——知道自己已经有什么（空白识别），和拒绝把垃圾存进库（质量闸）。 本文记录一条真实跑通的流水线：1,324+ 篇 writeup、25+ 个空白技法被补齐、「同一技法被写成五遍」和「满篇空话零命令」两类废品是如何被结构性地拦住的。</description></item><item><title>自主研究循环续跑 144 轮：97 连败与四个真实杠杆</title><link>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/Agent%E8%87%AA%E4%B8%BB%E7%A0%94%E7%A9%B6%E5%BE%AA%E7%8E%AF%E7%BB%AD%E8%B7%91144%E8%BD%AE97%E8%BF%9E%E8%B4%A5%E4%B8%8E%E5%9B%9B%E4%B8%AA%E7%9C%9F%E5%AE%9E%E6%9D%A0%E6%9D%86/index.html</link><pubDate>Sun, 04 Oct 2026 00:20:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/Agent%E8%87%AA%E4%B8%BB%E7%A0%94%E7%A9%B6%E5%BE%AA%E7%8E%AF%E7%BB%AD%E8%B7%91144%E8%BD%AE97%E8%BF%9E%E8%B4%A5%E4%B8%8E%E5%9B%9B%E4%B8%AA%E7%9C%9F%E5%AE%9E%E6%9D%A0%E6%9D%86/index.html</guid><description>自主研究循环续跑 144 轮：97 连败与四个真实杠杆 前一篇复盘写到 45 轮：那个编码 Agent 用五小时把一个小语言模型的验证集 bpb 从 2.036 压到 1.342，然后我按下了「暂停写作」，循环本身没有停。到第二天下午三点，results.tsv 已经积累到 189 行——续跑的 144 轮里只保留（keep）了 7 次，把最优值从 1.3418 磨到了 1.3173，而在最后一次保留之后，是长达 97 轮的连续失败。</description></item><item><title>让 Agent 自己跑研究循环：45 轮 Muon 调参实战复盘</title><link>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/Agent%E8%87%AA%E4%B8%BB%E7%A0%94%E7%A9%B6%E5%BE%AA%E7%8E%AF45%E8%BD%AEMuon%E8%B0%83%E5%8F%82%E5%AE%9E%E6%88%98/index.html</link><pubDate>Fri, 02 Oct 2026 22:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/Agent%E8%87%AA%E4%B8%BB%E7%A0%94%E7%A9%B6%E5%BE%AA%E7%8E%AF45%E8%BD%AEMuon%E8%B0%83%E5%8F%82%E5%AE%9E%E6%88%98/index.html</guid><description>让 Agent 自己跑研究循环：45 轮 Muon 调参实战复盘 傍晚六点半，我给一个编码 Agent 立了三条规矩：只准改训练脚本、每次训练五分钟、指标只看验证集 bpb。然后我离开了键盘。到晚上十一点半，这个 Agent 自己改了 45 版训练代码，把一个小语言模型的验证集 bpb 从 2.036 压到了 1.342——降幅 34%。整个过程里，人没有参与任何一次决策。</description></item><item><title>让AI看着屏幕操作电脑：本地视觉闭环的基准评测与工程验证</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E8%AE%A9AI%E7%9C%8B%E7%9D%80%E5%B1%8F%E5%B9%95%E6%93%8D%E4%BD%9C%E7%94%B5%E8%84%91-%E6%9C%AC%E5%9C%B0%E8%A7%86%E8%A7%89%E9%97%AD%E7%8E%AF%E7%9A%84%E5%9F%BA%E5%87%86%E8%AF%84%E6%B5%8B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E9%AA%8C%E8%AF%81/index.html</link><pubDate>Wed, 19 Aug 2026 17:49:42 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E8%AE%A9AI%E7%9C%8B%E7%9D%80%E5%B1%8F%E5%B9%95%E6%93%8D%E4%BD%9C%E7%94%B5%E8%84%91-%E6%9C%AC%E5%9C%B0%E8%A7%86%E8%A7%89%E9%97%AD%E7%8E%AF%E7%9A%84%E5%9F%BA%E5%87%86%E8%AF%84%E6%B5%8B%E4%B8%8E%E5%B7%A5%E7%A8%8B%E9%AA%8C%E8%AF%81/index.html</guid><description>让 AI「看着屏幕」操作电脑：本地视觉闭环的基准评测与工程验证 摘要 AI Agent 操作电脑的主流方案（截图 + 云端视觉模型）单步延迟 4-15 秒，token 消耗高。本文提出并验证一条本地化技术路线：以 AX（Accessibility）作为快速执行层，以本地视觉模型（Qwen2.5-VL-7B + ShowUI-2B）作为「看屏-决策-验证」层，配以 verify-loop 防误报框架，实现「目标窗口路由」的安全点击。通过严谨的基准评测（基准延迟对比、误报案例归因、2 场景 × 3 轮采样的定位/理解/决策评测、3 个端到端真实任务）验证：AX 单步 94ms（快 10-150 倍）；ShowUI-2B 定位归一化偏差 0.026（±0.000）；Qwen2.5-VL-7B 理解/决策与 72B 同效（决策命中 1.00）且快 5-7 倍；端到端任务（音乐双平台发布、Suno 音乐库检索、WPS 数据透视表）全部跑通。最终将 4 个候选模型精简为 2 个，并沉淀 5 类工程坑（坐标系统、全局点击、CEF 应用、隐私屏、远程会话）。结果表明：本地视觉闭环在延迟、成本、可靠性上全面优于云 VLM 方案，具备封装为可复用「视觉 Agent 框架」的工程基础。</description></item><item><title>2026-10-17 的 agent 三连事故</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/2026-10-17-%E7%9A%84-agent-%E4%B8%89%E8%BF%9E%E4%BA%8B%E6%95%85/index.html</link><pubDate>Mon, 19 Oct 2026 23:38:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/2026-10-17-%E7%9A%84-agent-%E4%B8%89%E8%BF%9E%E4%BA%8B%E6%95%85/index.html</guid><description>10 月 17 日 18:15 UTC,OpenCode 用户 ExNihil14 在 Termux + PRoot + Ubuntu 26.04 的组合环境里,正用 opencode serve 给手机端 web 客户端做权限调测。他配了一条 effect: "ask" 的规则,意图是"匹配到这条规则的 shell 命令先停下,等我点确认再跑";命令发出后,客户端的权限弹窗没出现,客户端拿到的是一条 HTTP 404,等到他在手机端注意到 404 时,那条命令已经在 shell 进程树里跑完了——ask 在 shell 子类上是 fail-open。这条 issue(#56470)在 10 月 19 日 23:02 最后更新,仍未关闭。而 10 月 17 日那一周里,这种"防御层自己被自己吃掉"的事故至少在三家公司同时发生。</description></item><item><title>腾讯开源的 Agent 记忆插件，能用在 Hermes 上吗：一份诚实横评</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E8%85%BE%E8%AE%AF%E5%BC%80%E6%BA%90%E7%9A%84-Agent-%E8%AE%B0%E5%BF%86%E6%8F%92%E4%BB%B6%E8%83%BD%E7%94%A8%E5%9C%A8-Hermes-%E4%B8%8A%E5%90%97%E4%B8%80%E4%BB%BD%E8%AF%9A%E5%AE%9E%E6%A8%AA%E8%AF%84/index.html</link><pubDate>Sun, 06 Sep 2026 22:00:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/%E8%85%BE%E8%AE%AF%E5%BC%80%E6%BA%90%E7%9A%84-Agent-%E8%AE%B0%E5%BF%86%E6%8F%92%E4%BB%B6%E8%83%BD%E7%94%A8%E5%9C%A8-Hermes-%E4%B8%8A%E5%90%97%E4%B8%80%E4%BB%BD%E8%AF%9A%E5%AE%9E%E6%A8%AA%E8%AF%84/index.html</guid><description>导读：2026 年 5 月腾讯云开源 TencentDB Agent Memory（GitHub 仓库），上线不到 3 个月 GitHub Trending #1，最近又登顶 Hacker News 首页。官方 README 里写得非常漂亮——团队级记忆中枢、4 类资产、L0→L3 四层架构、61% Token 节省、PersonaMem 48%→76%…… 但真实情况是：这套系统的设计目标是"3-5 个 agent 团队共享"，而 Hermes / OpenClaw 这类自动多 agent 平台——delegate_task 派子 agent、kanban swarm 多 agent 并行、profile 多 bot 路由、async delegation 不阻塞父 chat——在 TencentDB 的 session init 机制里是"二等公民"：因为 TencentDB 用 header 预选 + bypass fallback 管 session，跟 Hermes 的"agent 自动管 session、自动切 profile"的运行模式不对齐。</description></item><item><title>grill-me 实战：把一个模糊 idea 用对话压成可落地的决策</title><link>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/grill-me%E5%AE%9E%E6%88%98%E4%BB%8E%E6%A8%A1%E7%B3%8Aidea%E5%88%B0%E5%8F%AF%E8%90%BD%E5%9C%B0%E5%86%B3%E7%AD%96/index.html</link><pubDate>Thu, 03 Sep 2026 22:40:00 +0800</pubDate><guid>https://blog.x7peeps.com/AI/06-AI%E5%B7%A5%E7%A8%8B%E5%8C%96/grill-me%E5%AE%9E%E6%88%98%E4%BB%8E%E6%A8%A1%E7%B3%8Aidea%E5%88%B0%E5%8F%AF%E8%90%BD%E5%9C%B0%E5%86%B3%E7%AD%96/index.html</guid><description>grill-me 实战：把一个模糊 idea 用对话压成可落地的决策 为什么这个技能值得专门写 2026 年 3 月，Matt Pocock 发了一条视频 《My ‘Grill Me’ Skill Went Viral》——一个 6 行的 Claude Code skill（让 agent 持续追问需求直到达成共识），随后在开发者社区被广泛采用。它和同年 4 月发布的 grill-with-docs 是两个不同用途的兄弟技能：前者是任何场合、任何主题都能开的对话式需求压实，后者是仓库内、带 CONTEXT.md 和 ADR 落盘的工程化版本。</description></item></channel></rss>