SDP-agent是什么程序

raw vegan 这个名字最早来源于 simon 一 家里面的角色，他的剧中虽然因为笨拙而经常失败，但总是表现出一种我是来帮忙的，百折不挠的顽强精神。最近呢，我们发现很多 coding agent 代码智能体正在飞速引入这个 raw vegan 模式，也就是指的一种死磕到底的循环机制。 普通模式下，你让大模型写一个复杂的程序， agent 在 写完代码之后呢，他觉得完成了任务就结束了，但是之后你需要手动报错，然后再次要求他修改 raw 模式下呢，你给 agent 的 一个任务，并设定一个成功的标准，比如运行测试，呃，必须全部通过，那 agent 就 开始写代码，然后进行测试。他发现报错之后呢，脚本会自动拦截他的退出请求，并且把报错信息和原始任务再次甩回给 agent， 那 agent 再次进行修改代码，再次进行运行测试， 如果发现错误呢，再一次进行迭代，就这样直到测试通过。简单来说就是不达目的绝不罢休。你可以理解为，有了 rap 这个模式之后呢，可以让 ai 给你没日没夜的进行打工， 而你则可以享受生活。我们来快速看一下代码核心的原理。首先，这里的 wow 就是 rap 模式的发动机，你不准休息，必须给我在这个循环里无限干活。 每次干活会有个单独的裁判或者工头来进行检验，也就是说，在 rough 模式，他不相信 a l m， 你 说，哎，我修好了，他只相信这个 verify completion 的 函数的返回结果。 那只有当测试结果显示成功，你才可以休息，执行这个 break， 跳出循环，如果失败了，就把裁判给的 reason， 比如说，呃，这个爆错日制，再会到对话历史 current message 里面，那根据我们一开始看到那个 while true 循环，他会带着这个爆错进入下一轮的迭代。 所以总结起来呢，三点，首先是无限的决心，就是我们最开始看到那个 while true， 他 默认的态度就是一直尝试，直到做对。第二个呢，是客观的真理，我们刚才说的 verify completion， ai 说了不算，代码跑通了才算， 我把它称为痛苦的记忆。这边的这个 current message 代码的精华，它会把这个测试报错加回到上下文，那下一轮的 ai 推理的过程中就会明白哦，上次报了语法错误，这次我要修正它，如果没有这一段， ai 就 有可能在这个死循环里面一直重复犯同样的错误。好了，看完了原理，我们跑一个简单的 rock weinberg 的 例 子，我们这次任务是猜数字，在没猜对之前不准走。这个 complete 就是 退出循环的一个钥匙，如果猜错了，就会把错误的提示告诉 am， 让 am 继续。 rough 维克模式其实在半年前就已经被这位 jeffrey huntley 的 大佬提出来，他当时已经用这个 rough 模式做了一个 五万美元的合同，那 token 花费不到三百美金。那最后有小伙伴可能会好奇，这个 rough 模式这么厉害，为什么直到最近二零二六年这一两周才火热起来呢？那我觉得其背后原因可能是一，目前的模型智慧确实到达了一定程度。第二，有超能力的用户变多了。

大家好，欢迎来到本期教程，在今天的视频中，我将带大家从零开始构建一个真正工程级的 ai 数据分析系统。 这个系统基于 deep seek v 三点二 spectrum 模型，你只需要上传一个 c s v 文件，然后像和人对话一样提出问题，比如去年哪个地区销售额最高，不同产品的平均价格是多少，系统就会自动帮你一个答案。还会先思考分析步骤， 把自然语言问题转化成结构化的分析计划，再由程序安全执行真实的数据计算，最后输出图表和业务及洞察总结。这意味着他不是一个简单的问答机器人，而是一个真正会规划、会调用工具、会解释结果的 ai agent。 在实际工作中，很多人都会遇到这样的问题，数据在那，但不会写 s q l， 会写 s q l， 但不会做可视化，做完图表又不知道如何总结给老板。而我们今天要做的这个系统，正是为了解决这些真实痛点。 他把分析思路交给大模型，把数据执行交给程序，把结果展示交给前端，让每个人都可以像分析师一样 使用数据。如果你正在学习 ai agent 工具，增强推理，或者想把大模型真正落地到业务场景中，那么这个项目会对你非常有价值。接下来我会带你完整走一遍代码结构和设计思路，让你不仅会用，还能真正理解它背后的工程逻辑。 现在我们进入控制台， 在开发机任务当中，这里有我之前创建的一个任务，我们直接进入主界面环境来看一下代码， 这是我的代码文件。在正式看代码之前，我们先快速理解一下整体的架构。 首先整个系统分为三个核心阶段，第一步是规划阶段，由大模型负责把用户的问题转化成为结构化的分析计划。 第二步是执行阶段，由拍丧程序按照计划对真实数据进行计算和格式化。第三步是解释阶段，模型会再次介入，把冰冷的结果转化为业务洞察。 所以你可以把这个系统理解成模型，负责想，程序负责算，而前端负责展示。这是目前最主流、最安全也最可控的 agent 架构，也叫 too augmented agent。 后面所有代码其实都是围绕这个核心思想展开的。 那在开始写代码之前，我们先准备运行环境，我们需要在终端中执行这几行命令。 首先是创建一个独立的拍丧虚拟环境，可以避免不同项目之间的依赖冲突。随后我们要激活这个环境， 让后续所有的操作都在这个隔离的空间中完成。最后我们需要安装这个项目所需要的核心依赖，包括前端展示用的 streamlight， 数据处理用的 pandas 等等，以及用于加载环境变量和调用模型的库。 需要注意的是，这些命令都应该在终端中去执行，而不是在这个 notebook 的 python 单元里。那这些准备完成后，我们就拥有了一套干净可控的工程运行环境，可以正式进入代码的实线部分。我们首先需要获取 deepsea 的 api 秘钥，我们进入 deepsea 的 官网， 我们需要创建一个 api 的 秘钥，点击创建成功之后， 系统会生成一个以 sk 为开头的密钥字符串，需要注意的是，这个密钥只会在创建时显示一次，我们需要将这个密钥复制并保存到安全的地方。那我们获得密钥之后就可以回到我们刚刚创建的虚拟环境当中， 按照这个步骤去把你的密钥进行配置。 可以看到我已经把我的密钥写入到了这个文件当中。 接下来我们正式的进入到我们的代码部分。 首先做的是基础的配置，包括设置图标的风格，解决中文的乱码问题，以及出示化模型的客户端等。在这里 我统一设置了 c 本和 mate plotly 的 样式，让生成的图标更美观，同时指定中文字体，防止在标题坐标轴当中出现乱码，这是中文数据场景中非常重要的一步。 然后通过 python dot 提取 and 文件中的 apikey， 这样可以避免把密钥写死在代码里，更安全，也更符合工程的规范。 最后我们促使化 deep seek 的 客户端，后面所有模型调用都会通过这个 class 来完成。到这里我们已经具备了调用大模型的基础能力。 那接下来就是整个项目的核心部分，规划代理，这个代理只负责一件事，那就是决定对数据做什么分析。这里我们采用了一个非常重要的设计原则，我们决不让模型直接进行数据的处理，而是强制他输出结构化的算计划。 原因很简单，如果让模型直接写代码，不仅不可控，还会存在一个安全的风险。而用 stem 去描述分析意图，我们就可以用程序严格执行，保证结果的可复现性。在代码中， 我们给模型设计了一个非常严格的系统提示词，明确规定它必须输出固定结构的 stem， 比如包含分组字段、 目标列、统计方式、是否生成图表等信息。当用户提问时，规划器会同时看到数据级的结构描述，以及用户的自然语言问题。模型不会直接给答案，而是先思考怎么分析，然后返回一个完整的分析计划。 这本质上是在做一件事，就是把人类的语言翻译成机器可以执行的分析指令。 当我们拿到孙计划后，模型的工作就暂时结束了。真正的计算会由 python 的 文件来完成。这里我们实现了一套通用的数据执行引擎，它会先自动识别日期字段， 然后转换成时间类型，并派生出年份和月份字段，方便后续按时间分析。接着根据整数中的过滤条件对数据进行筛选，然后根据计划中的分组字段和统计方式，动态执行 group 比聚合计算，并对结果进行排序输出。 这一层完全由程序控制，没有任何模型参与，保证了计算过程的安全性和可复现性。这正是 agent 架构中模型想程序算的核心思想。如果算计划中指定需要图表，系统会自动进入可适化的模块。这里根据 chart type 参数 动态选择柱状图、折线图或者丙图，并自动限制展示调目地数量，防止类别过多导致图标不可读。生成的图标不会保存成文件，而是写入内存缓冲区，直接交给 streamlight 进行展示， 这样性能更好，也更适合 web 应用的部署。当表格和图标都生成之后，我们进入到最后一个智能环节，也就是解释代理。 此时模型不再负责规划，而是扮演一位资深的数据分析师。我们把用户问题、执行计划以及真实计算结果一并传给模型，并要求他用业务语言进行解读。他会先直接回答问题，然后总结关键的趋势，给出具体的数值，最后给出一个可以执行的行动建议。 所以最终的输出不再是技术报告，而是老板听得懂的结论。这一步让整个系统从算得对升级为说得清。最后是 streamlight 的 前端界面，我们把所有的代码打包成一个可以执行的 python 文件， 然后进入到刚刚激活的环境去执行这个文件。 最后我们需要回到控制台复制完整的地址，并且到浏览器中打开。 在这个前端界面当中，我们可以上传一个 csv 文件，比如在这里我上传一个大型超市的销售数据集，我们可以在这里进行数据的结构预览， 然后输入一个自然语言问题，随后点击开始分析。系统会自动串联完整的流程，从规划执行到可视化，以及最后的洞察总结， 这里可以看到它的分析结果。 同时我们还额外展示模型的推理过程，让整个系统变得可解释可教学，也非常方便调试。 这是最后的深度洞察部分，以及它的洞察生成逻辑。到这里，我们就完整构建了一个基于 deep c v 三点二 special 的 ai 数据分析代理系统， 你已经看到它不仅能回答问题，更重要的是它会先规划再执行，最后解释，这才是真正的智能系统形态。 如果你想进一步深入 ai agent 体系化建设，可以持续关注比特哈平台，这里会不断更新前沿模型、实战教程和真实工程案例，帮助你更高效地落地 ai 项目。

停止向 ai 疯狂投喂上下文，这实际上是一种工程上的战略懒惰。随着模型推理能力变强，预先填充海量信息，不仅浪费有限的上下文窗口，更会引入噪音干扰判断。 cursor 提出的动态上下文发现模式给出了当前最佳的解法。核心逻辑只有一句话，别急着把信息硬塞给模型，而是赋予模型在需要时自己去找的能力。而实现这一能力的底层架构，就是回归最朴素的计算机元语，一切皆文件。 curser 实际落地的五个优化手段，每一个都值得所有 agent 的 开发者借鉴。第一是长输出处理。当 ai 运行任务产生超长日制时，传统做法是截断，但这会丢失关键信息。 curser 的 做法是把日制直接写入文件， ai 可以 通过 tail 命令按需读取结尾或者 grab 搜索关键词，既不占窗口又不少信息。 第二是解决长对话遗忘。通常我们会把历史记录压缩成摘要，但这是有损的。 cursor 的 策略是将完整对话存档为文件，上下文中只保留摘要作为缩影。一旦 ai 觉得摘要信息不足，它可以像翻阅档案一样，去文件里查找原始的那记对话。 第三是技能按需加载，不要把所有 agent skills 的 说明书一次性加载。 cursor 只在系统提示里放一个目录，告诉 ai 有 哪些技能。 ai 真正决定要用某个技能时，再通过剪辑工具去读取那份具体的说明书，就像你只带借书卡去图书馆，而不是把书全背在身上。 第四是 m c p 工具的瘦身术。这是一个极其惊人的数据， cursor 通过只保留工具名称，将详细文档同步到文件夹，让 ai 查阅，直接减少了百分之四十六点九的 token 消耗，这几乎把一半的成本省下来了。第五是终端级文件， ai 经常不知道你手动运行了什么命令。 cursor 将终端绘画实时同步为本地文件， ai 能直接读取你的操作历史和爆串信息，不再需要你复制粘贴。 这套打法并非孤立，无论是 entropic 提倡的代码执行模式，还是 menace 将文件系统视为终极上下文，都在证明一个趋势。 真正的上下文工程不是拼命做加法，而是构建一套基于文件系统的按需加载机制，把主动权交还给模型，让 ai 从被动的信息接受者进化为主动的信息探索者。在模型足够聪明的今天， less is more 才是最高级的工程美学。

大家好，欢迎来到本期教程，在今天的视频中，我将带大家从零开始构建一个真正工程级的 ai 数据分析系统。 这个系统基于 deep seek v 三点二 spectrum 模型，你只需要上传一个 c s v 文件，然后像和人对话一样提出问题，比如去年哪个地区销售额最高，不同产品的平均价格是多少，系统就会自动帮你一个答案。还会先思考分析步骤， 把自然语言问题转化成结构化的分析计划，再由程序安全执行真实的数据计算，最后输出图表和业务及洞察总结。这意味着他不是一个简单的问答机器人，而是一个真正会规划、会调用工具、会解释结果的 ai agent。 在实际工作中，很多人都会遇到这样的问题，数据在那，但不会写 s q l， 会写 s q l， 但不会做可视化，做完图表又不知道如何总结给老板。而我们今天要做的这个系统，正是为了解决这些真实痛点。 他把分析思路交给大模型，把数据执行交给程序，把结果展示交给前端，让每个人都可以像分析师一样 使用数据。如果你正在学习 ai agent 工具，增强推理，或者想把大模型真正落地到业务场景中，那么这个项目会对你非常有价值。接下来我会带你完整走一遍代码结构和设计思路，让你不仅会用，还能真正理解它背后的工程逻辑。 现在我们进入控制台， 在开发机任务当中，这里有我之前创建的一个任务，我们直接进入主界面环境来看一下代码， 这是我的代码文件。在正式看代码之前，我们先快速理解一下整体的架构。 首先整个系统分为三个核心阶段，第一步是规划阶段，由大模型负责把用户的问题转化成为结构化的分析计划。 第二步是执行阶段，由拍丧程序按照计划对真实数据进行计算和格式化。第三步是解释阶段，模型会再次介入，把冰冷的结果转化为业务洞察。 所以你可以把这个系统理解成模型，负责想，程序负责算，而前端负责展示。这是目前最主流、最安全也最可控的 agent 架构，也叫 too augmented agent。 后面所有代码其实都是围绕这个核心思想展开的。 那在开始写代码之前，我们先准备运行环境，我们需要在终端中执行这几行命令。 首先是创建一个独立的拍丧虚拟环境，可以避免不同项目之间的依赖冲突。随后我们要激活这个环境， 让后续所有的操作都在这个隔离的空间中完成。最后我们需要安装这个项目所需要的核心依赖，包括前端展示用的 streamlight， 数据处理用的 pandas 等等，以及用于加载环境变量和调用模型的库。 需要注意的是，这些命令都应该在终端中去执行，而不是在这个 notebook 的 python 单元里。那这些准备完成后，我们就拥有了一套干净可控的工程运行环境，可以正式进入代码的实线部分。我们首先需要获取 deepsea 的 api 秘钥，我们进入 deepsea 的 官网， 我们需要创建一个 api 的 秘钥，点击创建成功之后， 系统会生成一个以 sk 为开头的密钥字符串，需要注意的是，这个密钥只会在创建时显示一次，我们需要将这个密钥复制并保存到安全的地方。那我们获得密钥之后就可以回到我们刚刚创建的虚拟环境当中， 按照这个步骤去把你的密钥进行配置。 可以看到我已经把我的密钥写入到了这个文件当中。 接下来我们正式的进入到我们的代码部分。 首先做的是基础的配置，包括设置图标的风格，解决中文的乱码问题，以及出示化模型的客户端等。在这里 我统一设置了 c 本和 mate plotly 的 样式，让生成的图标更美观，同时指定中文字体，防止在标题坐标轴当中出现乱码，这是中文数据场景中非常重要的一步。 然后通过 python dot 提取 and 文件中的 apikey， 这样可以避免把密钥写死在代码里，更安全，也更符合工程的规范。 最后我们促使化 deep seek 的 客户端，后面所有模型调用都会通过这个 class 来完成。到这里我们已经具备了调用大模型的基础能力。 那接下来就是整个项目的核心部分，规划代理，这个代理只负责一件事，那就是决定对数据做什么分析。这里我们采用了一个非常重要的设计原则，我们决不让模型直接进行数据的处理，而是强制他输出结构化的算计划。 原因很简单，如果让模型直接写代码，不仅不可控，还会存在一个安全的风险。而用 stem 去描述分析意图，我们就可以用程序严格执行，保证结果的可复现性。在代码中， 我们给模型设计了一个非常严格的系统提示词，明确规定它必须输出固定结构的 stem， 比如包含分组字段、 目标列、统计方式、是否生成图表等信息。当用户提问时，规划器会同时看到数据级的结构描述，以及用户的自然语言问题。模型不会直接给答案，而是先思考怎么分析，然后返回一个完整的分析计划。 这本质上是在做一件事，就是把人类的语言翻译成机器可以执行的分析指令。 当我们拿到孙计划后，模型的工作就暂时结束了。真正的计算会由 python 的 文件来完成。这里我们实现了一套通用的数据执行引擎，它会先自动识别日期字段， 然后转换成时间类型，并派生出年份和月份字段，方便后续按时间分析。接着根据整数中的过滤条件对数据进行筛选，然后根据计划中的分组字段和统计方式，动态执行 group 比聚合计算，并对结果进行排序输出。 这一层完全由程序控制，没有任何模型参与，保证了计算过程的安全性和可复现性。这正是 agent 架构中模型想程序算的核心思想。如果算计划中指定需要图表，系统会自动进入可适化的模块。这里根据 chart type 参数 动态选择柱状图、折线图或者丙图，并自动限制展示调目地数量，防止类别过多导致图标不可读。生成的图标不会保存成文件，而是写入内存缓冲区，直接交给 streamlight 进行展示， 这样性能更好，也更适合 web 应用的部署。当表格和图标都生成之后，我们进入到最后一个智能环节，也就是解释代理。 此时模型不再负责规划，而是扮演一位资深的数据分析师。我们把用户问题、执行计划以及真实计算结果一并传给模型，并要求他用业务语言进行解读。他会先直接回答问题，然后总结关键的趋势，给出具体的数值，最后给出一个可以执行的行动建议。 所以最终的输出不再是技术报告，而是老板听得懂的结论。这一步让整个系统从算得对升级为说得清。最后是 streamlight 的 前端界面，我们把所有的代码打包成一个可以执行的 python 文件， 然后进入到刚刚激活的环境去执行这个文件。 最后我们需要回到控制台复制完整的地址，并且到浏览器中打开。 在这个前端界面当中，我们可以上传一个 csv 文件，比如在这里我上传一个大型超市的销售数据集，我们可以在这里进行数据的结构预览， 然后输入一个自然语言问题，随后点击开始分析。系统会自动串联完整的流程，从规划执行到可视化，以及最后的洞察总结， 这里可以看到它的分析结果。 同时我们还额外展示模型的推理过程，让整个系统变得可解释可教学，也非常方便调试。 这是最后的深度洞察部分，以及它的洞察生成逻辑。到这里，我们就完整构建了一个基于 deep c v 三点二 special 的 ai 数据分析代理系统， 你已经看到它不仅能回答问题，更重要的是它会先规划再执行，最后解释，这才是真正的智能系统形态。 如果你想进一步深入 ai agent 体系化建设，可以持续关注比特哈平台，这里会不断更新前沿模型、实战教程和真实工程案例，帮助你更高效地落地 ai 项目。

大家好，我是 kate。 最近呢 skills 比较火，我呢，早在 ossopek 正式推出 cloud skills 之前，就在官网上发现他当时已经用到 skills 来做报告表格， ppt。 后来我还专门出了一期视频，详细介绍了 crowd skills， 我 呢，当时找到了啊 episodic 官网上所有关于啊 skills 的 文档，然后做了一期详细的视频，其中最重要的一篇呢，就是 skill 的 编写最佳实践， 待会我会再带大家回顾一下这篇最佳实践。我们看现在很多 ai 编程工具呢，都有用到 skills， 大家可以在这里截下图。 crowd 的 skill 呢，最先推出来的它的项目级还有它的用户级配置呢，是非常好记。 而呃 curser 也是比较好记的，因为它前面呢都是 curser 的 这样一个目录。而 open code 呢，我们看到这里会稍微有点区别。 在用户级别的话，这里有一个点 configure。 谷歌呢，它既有 demo c o i， 还有谷歌的 anti gravity 啊，这两者稍微有点区别，大家可以了解一下。今天我将介绍一些呃 skill 好 用的工具和一些好用的 skill。 首先介绍的是 versa 最近开源的 adskill， 它呢非常好用， 支持多个平台，我们看这些主流的平台它都支持了，现在呢，我来演示一下。在中端里输入命令， 它会呃克隆一下仓库，可以通过空格来进行选择。那我先安装一个 web design 呃 guidelines， 再接着它呢，是有多个 ai 编程工具默认选择， 那我假设我这里只要安装啊 open code， 那 我就可以将其他的通过空格呢都取消， 接着选择 enter， 接下来还可以选择是项目级别的还是局，那我选择局，让它进行一个安装，最后安装好呢，它会告诉我安装到哪里了，点开之后就会看到左侧这样的一个 scale 文档，它支持多种方式安装， 你可以直接呃给到这样的一个仓库名称，或者是完整的 gitlab url， 那 你也可以给它非常详细的直接的目录，而且呢，它支持多个快捷参数。有一个 skill 的 市场，它呢是收入了六万多的 skill， 大家有兴趣的话可以在里面看一下， 我个人比较推荐在 gitlab 里面呃，搜索你想要的关键词加 skill， 会有一系列的仓库， 你呢就可以啊，仔细观察看看有哪些比较适合你。再来推荐几个最近非常好用的 skill。 第一个是 versa 最近推出来的 agent skills， 它将 react 的 最佳实践，多年的一个经验 都放在这个 skill 里面了。第二个呢，是啊， expo 最近官方开源的 skill， 可以 帮助你去构建调试 expo 应用。第三个呢是上下文工程管理的 agent skill， 这些都是值得大家花时间去探索的。还要推荐一下 hackin face 的 skills， 它呢是针对啊 ai 还有机器学习的任务，可以帮助你下载模型数据集， 模型评估，可以帮助你训练微调模型，构建脚本等等。 obsidian 的 ceo 呢？最近推出来的 obsidian skill 也非常好用， 它推出来的三个 skill 里面呢，有一个是呃，是关于 jason canvas skills 的， 可以帮你生成非常好看的画板内容，如果你是做苹果相关的开发的话，一定不要错过这样的一个 skill， 它呢，这里内容特别多，基本覆盖了苹果开发的方方面面， 非常详细，绝对是让你事半功倍的。再来看一个非常特别的 skill 工具，它呢，可以将文档网站 get， 把仓库还有 pdf 转化成呃， crowd skills， 它可以自动抓取多个来源，然后深度分析， 检测冲突，最终组织文档。即使是简单的 skill， 我 也是非常推荐大家下载下来。呃，让 ai 运行之后，要盯着看它的 skill 运行中出现了什么问题， 要根据你电脑的一些实际情况，或者你自己的一个实际需求，让让 ai 帮你去啊更新 skill。 比如说我从网上下了一个 youtube 登录的 skill， 它的 skill 里文档里呢，写明的保存路径呢是 mnt。 虽然说每次 ai 它跑到这里呢，它识别出这个路径只能只读不能保存，它会想办法将下载后的文件呢改放到别的路径里去。但是这样的话，对 ai 来说的话，第一浪费它的 token， 第二的话，嗯，处理时间也会增长了。 所以的话，呃，需要你去观察一下这个 skill， 然后你就可以提示它让它去修改。呃，你你喜欢的一个路径，修改后的 skill 的 话，是会更匹配你的需求。再看一下官方 skill 啊编辑最佳实践 会，可以让我们的 skill 写得更好。第一个原则呢是简洁是关键。我们在做一个新的 skill 之前， 默认假设呢是 cloud 已经非常聪明，关于 pdf 的， 那 cloud 肯定知道 pdf 是 做什么的，它有哪些工具，就不需要再跟它解释一下用哪个库来处理。第二原则是设置适当的自由度， 我们可以使用一致的命名模式，让 skills 更容易引用和讨论。缩缩略官方建议是将 skills markdown 文件正文保持在五百行以下。缩缩略是建议避免深层嵌套的参考， 保持参考一级深度。所有的参考文件呢，直接从 skills markdown 链接，以确保 crowd 在 需要的时候读取完整文件。对于超过一百行的参考文件呢，在顶部包含目录。对复杂任务呢，使用工作流， 先是指示它复制，然后这里有个任务清单，给到代班事项之后。步骤一，什么步骤二三四五最好最有效的 skill 开发流程呢？就是和 cloud 一 起迭代开发。 先要求 cloud a 创建一个 skill， 审查它是否简洁，还可以让它改进信息架构，之后使用 cloud b 在 相关用力上使用这个 skill， 然后观察 cloud b 是 遇到困难或者遗漏了什么，再返回让 cloud a 进行一个迭代。我们可以观察 cloud 如何导航 skills， 它是否以你没有预料到的顺序读取文件，错过一些重要的参考，还有对某些部分的过度依赖，或者是忽略一些内容。即使是在 windows 上面的话，也是要改成 这种正斜杠，除非必要，不要给他太多方法让他选择这下方呢，有一些有效 skills 的 检查清单， 对于不需要代码的 skills 呢，我们可以提供一个清单 code， 可以 将它复制到响应中，并且进行检查， 让他研究。还有一个原则非常重要，就是让他创建可验证的中间输出，这是一个示意，先是给他了一个脚本，让他去做一个提取，然后呢提示他这样的一个输出。 还有一些小细节非常重要，你对确定性操作呢？优先使用脚本，如果你的 skill 使用 mcp， 那 就要在 skill 里面去设置一下，让他要找到工具。 我们看这两个例子呢，左边它其实都是 m c p 服务器的名称，右边是这个 m c p 对 应的工具，将它们这样连接起来，这样它就不会出现找不到工具的错误。还有个细节是避免假设工具已安装。

真正能用自然语言画流程图的 ai 工具来了！只需一句话，就能生成专业的流程图！这个开源项目已经在电话上狂揽一万多颗星标，而且每天还在暴涨！它是全球首个 ai 宇 宙 i o 深度整合的绘图神器，支持一键生成流程图、架构图，甚至能实现动态连线。效果 最强的是，它支持十多个主流的 ai 模型， open i curl 的 jimmy 随便切换，还能上传截图，上 ai， 帮你复刻现有的架构图。更绝的是，刚刚发布了 m c p 插件， 直接在科室和 core 里面对话，就能画图，实时预览。关键是完全开源，免费支持，多可一键部署，赶紧去试一下，这可能就是下一个 ai 画流程图的新标准！

怎么把自己做好的网页程序打包成手机 app？ 直接在手机上用这期视频，我就手把手教会你怎么操作这个网页程序有多实用，它能帮你分析选择题，分析账号数据，还能精准刻画用户画像， 不仅能自动抓取评论区内容，帮你判断账号的内容走向、粉丝最关心的问题，甚至能给你后续的内容创作方向提建议。他不是凭空捏造信息，而是会调用针对性的工具获取真实资源，辅助你做出更靠谱的决策。 这么好用的工具，怎么才能变成手机 app 随时随地用呢？这时候我们就要用到一个 getop 上超热门的开源打包项目， 操作步骤很简单，第一步，打开你的网页程序，把地址栏里的网址复制下来。第二步，打开这个开源项目，选择新建项目。第三步，进入软件配置页面，先给你的 app 起个名字，再把刚才复制的网址粘贴进去，下面的大部分参数都不用改。重点找到那个打包为移动端的按钮， 这个项目支持电脑端和移动端两种打包，咱们选移动端就对了。第四步，除了名称和网址，还可以给 app 设置一个专属头像，其他配置保持默认就行。第五步，设置完之后，可以先预览一下手机端的效果，确认功能没问题，界面也满意。第六步，点 机发布按钮。这里要注意，安卓手机选安卓版本，苹果手机选对应版本，打包方式默认即可，如果不是开发者的话，记得把调试模式关掉，然后点击确定。第七步，接下来就是等待打包了，整个过程大概五到十分钟。第八步打包完成后，把安装包下载到本地，再发送到你的手机上。

在家无聊搭建了一个 agent 智能体，直接硬控我一小时。大家都知道 agent 是 个风口，但都不知道从何下手，本着学习的目的， 抽空动手做了一个实践，验证了一下，效果还是不错，所有步骤都整理成文字版教程了，从原理到应用技术解析，智能体设计模式，案例解析， agent 智能客服等，感兴趣的小伙伴留学习就可以抱回家慢慢消化，期待你的成果！

这是一个非常典型的宁信人特补结构，一共有三个区域，一是外网的扣端访问区域，二是宁信人安全访问平台。第三个就是我们后端提供服务器的数据中心了。这张图就很能看出来 sdp 的作用了， 三个组建一目了然。 sdp 发起客户端， sdp 认证网关 sdb 控制器 sdp 客户端 就是我们这些外网的客户端，说白了就是你的电脑、手机、 pad 等等要访问这些内网应用资源的设备或者用户。 sdp 网关 在这里就由防火墙来充当了，它的作用是收集来自设备和用户的身份验证请求，将这些请求转发给 sdb 控制器，通过后再下发访问权限。 而身份验证访问策略权限的下发以及流量的管控，就是 sdp 控制器的工作了。一旦全部通过， sdp 控制器就会建立起一条用户到应用的隧道，访问就此建立。可能此时有小伙伴要思考了，哎， 这不就是微拼隧道连接吗？很像，但不同。首先，微拼建立的是长链接，需要持续保持连接，会一直消耗复习资源，而 sdp 是短连接模式，不用的时候是断开的，最直观的感受就是比微拼快。 第二，他是通过 spa 技术进行认证保护的，不是你们想的那样，身高 packet 的 auto recitation 单包授权认证技术 进行认证保护，单项链接的未认证之前，只能接收来自扣单发出的请求。你拼这个网关，包括后单的应用都是拼不通的，并且就算 身份认证通过了，你也只能访问特定的业务系统，内部网络仍然是隔离的，有点像我们之前提到的堡垒机的机制，所以他不会暴露内网的应用，像常见的单口扫描抵到死攻击，在这种架构体系下都不好使， 他压根都不回应你，你唯一能干的事就是走流程，通过身份认证再说通过隐藏企业安全边界的出口，基本上 可以消除所有基于网络的黑客攻击风险。那这个 im 统一身份认证平台又是干什么的呢？字面意思就是 解决身份认证的问题，其次就是调配用户要访问的网络和服务器应用资源，像企业内部的 sso 单点登录，你们访问外网应用的时候， 支持多种的认证方式，手机号、微信、微博、支付宝之类，包括你的银行卡，某些游戏支持的令牌多音值登录，其实就是靠这么一套 im 来实现的，然后 再跟 sdb 控制器做策略以及用户身份的同步来联合验证。下面这个安全大数据平台是什么呢？说白了就是 态势感知，其实主要是两个能力，安全能力和安全运为两块。安全能力就是跟我们传统的安全设备或者安全软件协同工作，比如杀毒软件，比如 idsips、 靠墙袜子之类的安全设备，通过持续检测设备的运行状态和收集日制判断网络中的风险来源，以及给出对应的风险控制策略。 安全运维就很简单了，持续的检测用户身份和设备运行状态，动态实时的对风险进行安全评估，并调整安全策略。回到前面写字楼的比喻呢，就相当于你要进到里面，首先要证明你是你， 然后才能进入到你的权限允许进入的楼层或房间。不仅如此，你进去后 始终会有一个保安一对一贴身紧逼，防止你做任何出格的事情。 ok， 碍于时长，本期节目就探讨到这里。实际上我们花费一个多月时间已经搭建好一套零信任网络，下期节目我们再去零距离体验。感谢收看，再见！

各位同学大家好，欢迎来到我们的 agent 入门课程，我们首先开始阶段一阶段一的话是学习相关的一些拍摄基础知识，然后我们会分成多个模块，有模块零，模块一，模块二，模块三，然后每个模块的话我都会带大家完全手把手的教学。首先是第零个模块，那么要安装环境配置，然后并且运行你的第一个拍摄的程序。 首先我们来理解一下我们为什么要有一个环境，你的 python 是 一段的代码，就我可以打开一个东西，那么你可能是一段，比如说 print hello agent 算法的代码，你要怎么样去执行它们，那么你就需要有一个 python 的 执行器， 然后你得要有一个写代码的地方，你当然可以用文本编辑器去写啊，你也可以用其他的，那么我们这里推荐你还是用 vs code 去写。然 然后我们要怎么样去安装拍摄环境呢？既然已经到了二零二六年了，那么就不要去教那种非常古老的，让别人去下载拍摄，然后再去安装，而是我们用最新的工具就是 uv， 这也是绝对的未来的主流，因此我教给大家的都是现在最新的一个技术， 一共有四个步骤，带大家依次演示一下。我们先来过一遍 ppt， 第一个的话就是安装 uv， 安装 uv install， 然后再安装 windows 和 mac 的 话都有不同的安装方式，到时候这个 ppt 会发给大家，然后大家可以按照这个里面的命令去运行一下，就可以安装了，待会我也会带大家演示。然后 安装完了 uv 之后，第二个步骤的话就是我们要去安装拍摄，拍摄的话那么你就只也是一样的，你运行这样一个命令，然后接下来就安装 vs code， 待会会大家依次演示，加入社区，提取更多课程内容呦！