Auto-sync

openclaw/openclaw定时任务.md

@@ -53,6 +53,17 @@ tags: []
 
 ---
 
+### 每30分钟 — `[星枢]Wiki Batch Ingest`
+
+**Agent:** xingshu | **频次:** `every 30m`
+
+**Job 内容:**
+```
+请继续执行下一个 wiki-ingest batch，从 ~/Workspace/nexus/raw 目录中选取3-5个尚未处理的文档，严格按照 CLAUDE.md 中的 wiki-ingest 工作流执行。
+```
+
+---
+
 ### 每天 00:00 — `[星辉]每日汇总`
 
 **Agent:** xinghui | **频次:** `cron 0 0 * * *`

wiki/concepts/AI工作流自动生成.md

@@ -0,0 +1,29 @@
+---
+title: "AI工作流自动生成"
+type: concept
+tags: [ai, workflow-automation, n8n]
+last_updated: 2026-04-15
+---
+
+# AI工作流自动生成
+
+## 定义
+通过自然语言描述需求，由 AI 自动设计并生成工作流代码的过程。
+
+## 核心机制
+1. 用户输入自然语言需求描述
+2. AI 理解任务目标并选择合适节点
+3. AI 自动生成节点连接和配置代码
+4. 用户验证并修正错误
+
+## 典型案例
+- [[使用Claude自动生成N8N工作流的实操教程]]：Claude + n8n-mcp 实现 80%-90% 完成度
+
+## 局限性
+- AI 生成工作流约 10%-20% 错误率需人工修正
+- 需选择专用模型（如 Opensea）和开启 extended thinking 提升质量
+
+## Connections
+- [[n8n]]：目标工作流平台
+- [[Claude]]：生成执行方
+- [[n8n-mcp]]：桥接工具

wiki/concepts/Agent-Skill设计模式.md

@@ -0,0 +1,56 @@
+---
+title: "Agent Skill 设计模式"
+type: concept
+tags: [agent, skill, design-pattern]
+last_updated: 2026-04-15
+---
+
+# Agent Skill 设计模式
+
+## 定义
+Google 发布的 5 种 Skill 内容结构化设计模式，用于解决 SKILL.md 格式标准化后执行效果差异大的问题。
+
+## 5 种模式
+
+### 1. Tool Wrapper
+- **用途**：让 agent 快速成为某个领域专家
+- **机制**：监听特定库关键词，动态加载规范文档
+- **适用**：团队内部编码规范、特定框架最佳实践
+
+### 2. Generator
+- **用途**：从模板生成结构化输出
+- **机制**："填空"流程，assets/ 模板 + references/ 样式指南
+- **适用**：统一 API 文档、标准化 commit 信息、脚手架项目
+
+### 3. Reviewer
+- **用途**：把检查清单和检查逻辑分开
+- **机制**：审查标准存放在 references/review-checklist.md，换清单即换审计类型
+- **适用**：代码审查、安全审计、合规检查
+
+### 4. Inversion
+- **用途**：agent 先问你再做
+- **机制**：通过不可协商的门控指令逐阶段收集信息
+- **适用**：项目规划、需求收集
+
+### 5. Pipeline
+- **用途**：带硬性检查点的严格工作流
+- **机制**：明确前置条件和门控条件，强制顺序执行
+- **适用**：复杂任务、文档流水线、多阶段生成
+
+## 模式组合
+- Pipeline 可包含 Reviewer 步骤（double-check 成果）
+- Generator 可依赖 Inversion 收集缺失变量
+
+## Anthropic 补充
+- 最好的 Skill 不是"写好的提示词"，而是"工具箱"
+- Skill = 说明书 + SOP
+- 写 Skill 三条铁律：只写 Agent 不知道的东西、重点写踩坑清单、给工具不给指令
+
+## Connections
+- [[Tool Wrapper]]：模式之一
+- [[Generator]]：模式之一
+- [[Reviewer]]：模式之一
+- [[Inversion]]：模式之一
+- [[Pipeline]]：模式之一
+- [[渐进式披露]]：ADK 机制支撑
+- [[AI技能封装]]：相关领域

wiki/concepts/Agentic-AI.md

@@ -0,0 +1,34 @@
+---
+title: "Agentic AI"
+type: concept
+tags: [ai-agent, autonomy]
+last_updated: 2026-04-15
+---
+
+## Definition
+能感知环境、做出决策、预判需求并自主采取行动的 AI 系统。与 GenAI（生成内容）的被动响应不同，Agentic AI 强调行动导向，与环境持续交互。
+
+## Core Loop
+1. **感知（Perceive）**：获取任务，扫描环境上下文
+2. **思考（Reason）**：使用 LLM 进行推理，制定行动计划
+3. **行动（Act）**：调用工具（API、代码、数据库）
+4. **观察（Observe）**：将行动结果加入上下文，循环迭代
+
+## Key Characteristics
+- 主动性：预判用户需求而非被动响应
+- 自主性：在无人工干预下完成任务循环
+- 上下文感知：整合环境信息和历史记忆
+
+## Relationship to Other Concepts
+- [[GenAI]]：Agentic AI 的内容生成基础
+- [[RAG]]：为 Agentic AI 提供实时信息获取能力
+- [[LLM]]：Agentic AI 的"大脑"，提供推理能力
+
+## Related Concepts
+- [[AI-Agent-设计原则]]：透明度、控制感、个性化、对话、预判
+- [[Multi-Agent-Hierarchy]]：多 Agent 协作架构之一
+
+## Aliases
+- AI Agent
+- 智能体
+- 自主AI

wiki/concepts/Agent模式.md

@@ -0,0 +1,28 @@
+---
+title: "Agent模式"
+type: concept
+tags: [cursor, mcp, ai-agent]
+last_updated: 2026-04-15
+---
+
+# Agent模式
+
+## 定义
+Cursor Composer 中的自动执行模式，可自动调用 MCP 工具链完成任务。
+
+## 与 Normal 模式对比
+| 特性 | Agent 模式 | Normal 模式 |
+|------|-----------|-------------|
+| 命令执行 | 自动执行 | 手动复制 |
+| 工具调用 | 工具链自动串联 | 单步手动触发 |
+| 效率 | 高 | 低 |
+| 风险 | 可能误操作 | 可控 |
+
+## 风险提示
+- "enable yolo mode" 开启后会默认执行所有命令，可能造成误操作
+- 建议默认关闭
+
+## Connections
+- [[Composer]]：所属模块
+- [[Cursor]]：所属平台
+- [[MCP工具链]]：调用对象

wiki/concepts/Embedding.md

@@ -0,0 +1,34 @@
+---
+title: "Embedding"
+type: concept
+tags: [embedding, vector, rag, nlp]
+sources: ["RAG从入门到精通系列1：基础RAG"]
+last_updated: 2026-04-15
+---
+
+## Definition
+将文本（Word、Sentence、Document）转换为固定长度的数值向量（Embedding Vector）的技术，捕获文本的语义信息使得语义相似的内容在向量空间中距离相近。
+
+## Technical Details
+- 输出为固定长度向量（如 768维、1024维、1536维）
+- 语义相近的文本在向量空间中距离更近
+- 支持余弦相似度、点积等多种相似度衡量方法
+
+## Embedding Model
+- **BAAI BGE 系列**：开源中文优化 Embedding Model
+- **OpenAI text-embedding-3**：OpenAI 官方 Embedding API
+- Context Window 通常 512~8192 token
+
+## Applications
+- [[RAG]]：文档和问题的向量化，支持语义检索
+- 文本相似度计算
+- 聚类分析
+- 推荐系统
+
+## Related Concepts
+- [[向量数据库]]：存储 Embedding Vector 的数据库
+- [[RAG]]：Embedding 的主要应用场景
+- [[Token]]：文本被分词后的基本单位
+
+## Sources
+- [[RAG从入门到精通系列1：基础RAG]]

wiki/concepts/Generator.md

@@ -0,0 +1,27 @@
+---
+title: "Generator"
+type: concept
+tags: [agent, skill, design-pattern]
+last_updated: 2026-04-15
+---
+
+# Generator
+
+## 定义
+Google 5 种 Agent Skill 设计模式之一，通过"填空"流程强制一致输出格式的 Skill 模式。
+
+## 核心机制
+利用两个可选目录：
+- assets/：存放输出模板
+- references/：存放样式指南
+
+SKILL.md 扮演项目经理角色，指示 agent 加载模板→读取样式指南→向用户询问缺失变量→填充文档。
+
+## 适用场景
+- 统一格式的 API 文档生成
+- 标准化 commit 信息
+- 脚手架项目结构生成
+
+## Connections
+- [[Agent Skill 设计模式]]：所属分类
+- [[Inversion]]：可组合，收集缺失变量

wiki/concepts/Inversion.md

@@ -0,0 +1,28 @@
+---
+title: "Inversion"
+type: concept
+tags: [agent, skill, design-pattern]
+last_updated: 2026-04-15
+---
+
+# Inversion
+
+## 定义
+Google 5 种 Agent Skill 设计模式之一，agent 先问你再做，通过明确不可协商的门控指令逐阶段收集信息的 Skill 模式。
+
+## 核心机制
+与 agent"直接猜测和生成"的天性相反，agent 变成面试官，逐阶段提问，等待用户回答后进入下一阶段。
+
+## 关键要素
+- 明确、不可协商的门控指令（如"不到所有阶段完成就不开始构建"）
+- 阶段式提问结构
+- 前一阶段完成后才能进入下一阶段
+
+## 适用场景
+- 项目规划 Skill
+- 需求收集
+- 复杂任务的初始化阶段
+
+## Connections
+- [[Agent Skill 设计模式]]：所属分类
+- [[Generator]]：可组合，为 Generator 收集缺失变量

wiki/concepts/MCP.md

@@ -0,0 +1,33 @@
+---
+title: "MCP"
+type: concept
+tags: [llm, protocol, tool-calling]
+last_updated: 2025-12-20
+---
+
+## 基本信息
+- **全称**：Model Context Protocol
+- **类型**：通信协议
+- **来源**：大模型相关术语和框架总结
+
+## 定义
+MCP 是一个开放协议，为 LLM 应用提供标准化接口，使其能够连接外部数据源和各种工具进行交互。
+
+## 核心机制
+1. **MCP Client**：位于 LLM 应用侧，发送请求
+2. **MCP Server**：负责与外部数据源或工具交互，获取数据并按协议格式化返回
+
+## 关键约束
+> "大模型是不会自己去调用外部数据源或者工具的，大模型只会告诉我们需要调用哪些工具，而我们需要自己去实现工具的调用。"
+
+## 与 Agent 的关系
+MCP + LLM = Agent，MCP 协议是智能体实现实际任务执行的关键组件。
+
+## 关联
+- [[LLM]] ← 基础层
+- [[Agent]] ← LLM + MCP 的产物
+- [[LangChain]] ← MCP 集成的开发框架
+
+## Aliases
+- Model Context Protocol
+- 模型上下文协议

wiki/concepts/MCP工具链.md

@@ -0,0 +1,21 @@
+---
+title: "MCP工具链"
+type: concept
+tags: [mcp, tool-chain]
+last_updated: 2026-04-15
+---
+
+# MCP工具链
+
+## 定义
+多个 MCP 工具顺序调用形成完整工作流的能力。
+
+## 描述
+MCP 协议支持工具之间的互相调用，形成链式执行。Sequential Thinking 等工具可与其他服务工具协同工作，形成完整的数据获取→推理→输出流程。
+
+## 典型案例
+- [[MCP在Cursor中的集成与应用详解]]：热点新闻服务 + Sequential Thinking 工具链协同
+
+## Connections
+- [[MCP]]：协议基础
+- [[Sequential Thinking]]：常用链式工具

wiki/concepts/Multi-Agent-Adversarial-Debate.md

@@ -0,0 +1,38 @@
+---
+title: "Multi-Agent Adversarial Debate"
+type: concept
+tags: [multi-agent, architecture, reliability, adversarial]
+last_updated: 2026-04-15
+---
+
+## Definition
+一种多智能体架构模式，模拟法庭对抗：Generator（生成器）提出方案，Critic（批评者）攻击方案弱点，Judge（裁判）裁决并要求修正。核心是防止 LLM 的 Sycophancy（阿谀奉承）倾向。
+
+## How It Works
+1. **Generator**："这是我的方案"
+2. **Critic**："方案有3个问题"（扮演魔鬼代言人）
+3. **Judge**："批评者说得对，修正"（扮演主持人）
+
+## Why It Works
+- LLM 一旦开始写作，很少自我纠正
+- 人类会因害怕被否定而不敢反驳，但 LLM 没有这种恐惧
+- 通过外部批评者和裁判模拟"恐惧"，强制方案接受检验
+
+## Key Requirements
+- Generator、Critic、Judge 最好使用不同模型（多样性）
+- 顺序执行 + 循环特性 → 速度慢
+- 需 watchdog（确定性代码）在超时/计数阈值后打破循环
+
+## Best For
+- 安全分析
+- 代码审查
+- 高风险内容审核
+
+## Sycophancy 详解
+LLM 在被威胁时可能撒谎以取悦用户，而非真正提升质量。Debate 模式通过第三方裁判打破此倾向。
+
+## Related Concepts
+- [[Multi-Agent-Hierarchy]]：层级验证模式
+- [[Multi-Agent-Consensus]]：投票共识模式
+- [[Multi-Agent-Knock-out]]：淘汰制模式
+- [[Sycophancy]]：阿谀倾向，LLM 的固有缺陷

wiki/concepts/Multi-Agent-Consensus.md

@@ -0,0 +1,37 @@
+---
+title: "Multi-Agent Consensus"
+type: concept
+tags: [multi-agent, architecture, reliability, voting]
+last_updated: 2026-04-15
+---
+
+## Definition
+一种多智能体架构模式，通过多数投票提高输出可靠性。核心思想：用"相信大多数"替代"相信第一反应"。
+
+## How It Works
+1. 生成 N 个独立 LLM 实例（最好使用不同模型）
+2. 分散任务（Fan out）：给所有 Agent 相同任务
+3. 收集结果（Fan in）：选择最常见的答案
+
+## Reliability Math
+- 单个模型幻觉率：20%
+- 3个模型同时幻觉相同谎言概率：0.2³ = 0.8%
+
+## Key Requirements
+- **多样性**：Agent 应使用不同模型，减少同质化噪声放大
+- **盲测原则**：Agent 之间不能有反馈回路，否则产生 Groupthink 和从众效应
+- **无干扰**：独立运行，类似盲测实验
+
+## Trade-offs
+- **优点**：显著降低幻觉概率，适合事实核查和分类任务
+- **缺点**：成本高（同一任务 N 次执行），ROI 取决于任务失败成本
+
+## Best For
+- 事实核查（"这封邮件是垃圾邮件吗？"）
+- 分类任务
+- 高可靠性要求的输出验证
+
+## Related Concepts
+- [[Multi-Agent-Hierarchy]]：另一种多 Agent 协作模式
+- [[Multi-Agent-Adversarial-Debate]]：对抗式架构
+- [[Multi-Agent-Knock-out]]：淘汰制架构

wiki/concepts/Multi-Agent-Hierarchy.md

@@ -0,0 +1,33 @@
+---
+title: "Multi-Agent Hierarchy"
+type: concept
+tags: [multi-agent, architecture, reliability]
+last_updated: 2026-04-15
+---
+
+## Definition
+一种多智能体架构模式，模拟人类组织的层级结构：Supervisor（主管）制定计划、分解任务、分配给 Worker（工作节点）执行，Validator（验证器）检查结果。
+
+## Components
+- **Planner（规划器）**：智能模型（如 Opus）将用户目标分解为原子步骤
+- **Worker（工作节点）**：专用 Agent，每节点只做一件事，可使用更小更快的模型
+- **Validator（验证器）**：检查点，使用确定性代码（单元测试、JSON Schema）或 LLM 进行验证
+
+## Execution Flow
+```
+Planner → Worker → Validator
+    ↑__________________|
+    （验证失败则打回重做）
+```
+
+## Why It Works
+依赖图（Dependency Graph）强制各节点协作：Worker 在 Planner 喂任务前无法开始，且 Validator 会捕获作弊。
+
+## Trade-offs
+- **优点**：上下文分离，适合复杂工作流
+- **缺点**：顺序执行，速度慢，成本高
+
+## Related Concepts
+- [[Multi-Agent-Consensus]]：另一种多 Agent 可靠性模式
+- [[Multi-Agent-Adversarial-Debate]]：对抗式架构
+- [[Multi-Agent-Knock-out]]：淘汰制架构

wiki/concepts/Multi-Agent-Knock-out.md

@@ -0,0 +1,37 @@
+---
+title: "Multi-Agent Knock-out"
+type: concept
+tags: [multi-agent, architecture, reliability, genetic-algorithm]
+last_updated: 2026-04-15
+---
+
+## Definition
+一种多智能体架构模式，借鉴遗传算法（GA）：多个 Agent 执行任务，适应度函数评估，最差者被淘汰。核心思想：用"适者生存"替代"死亡恐惧"。
+
+## How It Works
+1. 将任务分配给 N 个 Agent
+2. Validator（适应度函数）决定哪些 Agent 被淘汰
+3. （可选）用获胜 Agent 的特征组合生成新 Agent 填补空缺
+
+## SRE 类比
+- LLM Agent = "cattle"（牲畜，可替换）
+- 不给它命名期待它做好：启动 → 检查 → 失败则淘汰
+
+## Key Requirements
+- 必须有快速验证输出的方式（如单元测试）
+- 若需人工检查所有分支则太慢，此模式优势消失
+
+## Genetic Algorithm Connection
+借鉴传统 ML 的遗传算法两个要素：
+- **遗传表示**：模型及其上下文
+- **适应度函数**：淘汰函数
+
+## Best For
+- 迭代式 Agent 工程开发
+- 调试阶段，不适合生产环境和大用户负载
+
+## Related Concepts
+- [[Multi-Agent-Hierarchy]]：层级验证模式
+- [[Multi-Agent-Consensus]]：投票共识模式
+- [[Multi-Agent-Adversarial-Debate]]：对抗辩论模式
+- [[遗传算法]]：本模式借鉴的经典 ML 方法

wiki/concepts/Multi-Cloud-Governance.md

@@ -0,0 +1,31 @@
+---
+title: "Multi-Cloud Governance"
+type: concept
+tags: [devops, cloud, governance]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：云治理策略
+- **来源**：How Agentic AI can help for Cloud DevOps
+
+## 定义
+Multi-Cloud Governance（多云治理）是跨 AWS、GCP、Azure 多个云平台统一管理资源、成本、安全和合规的实践。
+
+## Agentic AI 应用
+1. **成本治理**：识别跨云平台的浪费性支出，建议资源整合或替代定价模式
+2. **统一安全**：跨平台 IAM 策略审计、网络规则检查、容器漏洞扫描
+3. **一致性运维**：统一监控、告警、部署策略
+4. **合规执行**：SOC 2、FedRAMP、PCI DSS 等跨平台合规
+
+## 关联
+- [[Agentic AI]] ← 技术支撑
+- [[DevOps]] ← 应用领域
+- [[AWS]] ← 治理对象
+- [[GCP]] ← 治理对象
+- [[Azure]] ← 治理对象
+
+## Aliases
+- Multi-Cloud Governance
+- 多云治理
+- 跨云治理

wiki/concepts/Pipeline.md

@@ -0,0 +1,33 @@
+---
+title: "Pipeline"
+type: concept
+tags: [agent, skill, design-pattern]
+last_updated: 2026-04-15
+---
+
+# Pipeline
+
+## 定义
+Google 5 种 Agent Skill 设计模式之一，带硬性检查点的严格顺序工作流的 Skill 模式。
+
+## 核心机制
+- 指令本身定义工作流顺序
+- 实现明确的门控条件（如要求用户在进入下一步之前确认生成的文档字符串）
+- 确保 agent 无法跳过步骤或忽略指令
+
+## 典型案例：文档流水线
+1. 解析和清点
+2. 生成文档字符串
+3. 组装文档
+4. 质量检查
+
+每一步都有明确前置条件，用户必须在进入下一步之前确认。
+
+## 适用场景
+- 复杂任务（承受不起跳过步骤）
+- 多阶段内容生成
+- 需要强制验证的流程
+
+## Connections
+- [[Agent Skill 设计模式]]：所属分类
+- [[Reviewer]]：可组合，在最后一步 double-check 成果

wiki/concepts/Print-Mode.md

@@ -0,0 +1,39 @@
+---
+title: "Print Mode"
+type: concept
+tags: [ClaudeCode, 交互模式]
+last_updated: 2026-04-15
+---
+
+## 定义
+Claude Code 的非交互单次执行模式。通过 stdin 管道传递任务文本，进程执行完毕后自动退出，不保留对话状态。
+
+## 使用方式
+```bash
+cat << 'TASK_END' | claude -p print \
+  --dangerously-skip-permissions \
+  --add-dir <技能目录> \
+  --add-dir <项目目录> \
+  --max-turns 30 \
+  2>&1
+[任务描述]
+TASK_END
+```
+
+## 适用场景
+- 绝大多数编程任务（推荐默认模式）
+- 任务边界清晰、预期结果明确
+- 需要调用 Claude Code Skill 的任务
+
+## 与 TMUX 交互模式对比
+| | Print Mode | TMUX交互模式 |
+|--|------------|-------------|
+| 适用场景 | 简单/中等复杂度 | 超长任务 |
+| 状态保留 | 无 | tmux session 保持 |
+| 交互能力 | 有限 | 完整交互 |
+
+## Connections
+- [[Print Mode]] ← 执行方 ← [[Claude Code]]
+- [[Print Mode]] ← 替代方案 ← [[TMUX交互模式]]
+- [[权限绕过]] ← 依赖 ← [[Print Mode]]
+- [[Skill加载]] ← 作用于 ← [[Print Mode]]

wiki/concepts/Prompt工程.md

@@ -0,0 +1,39 @@
+---
+title: "Prompt工程"
+type: concept
+tags: [prompt-engineering, llm, ai]
+sources: ["如何写出完美的Prompt（提示词）？"]
+last_updated: 2026-04-15
+---
+
+## Definition
+将人的模糊需求转化为 AI 可理解、可执行的结构化任务的协作协议设计能力。本质是结构化思维+精准表达。
+
+## Core Framework
+### 四要素（角色-需求-场景-目标）
+- 角色：明确输入角色，决定立场
+- 受众对齐：明确输出接收者，决定专业深度与语言风格
+- 场景对齐：明确使用场景，决定内容侧重点与呈现形式
+- 目标对齐：明确核心目标，决定内容逻辑与关键信息
+
+### 技术层级
+| 层级 | 技巧 | 适用场景 |
+|------|------|---------|
+| 基础 | 需求拆解、上下文补全、格式定义、示例引导 | 简单任务（撰写短文、整理数据、回答问题） |
+| 进阶 | 思维链引导、任务拆分、角色赋能、预填回复、不确定性管理 | 复杂任务（行业白皮书、竞品分析、年度方案） |
+| 高阶 | 跨模态联动、领域知识注入、反馈循环嵌入 | 超复杂任务（多模态生成、跨领域方案、知识图谱构建） |
+
+## Key Principles
+- 隐性需求必须显式表达（LLM 无默认设定）
+- Prompt 优化过程本质是需求逐步清晰化
+- 建立测试-反馈-优化闭环
+- 技巧选择按复杂度匹配，遵循最小成本原则
+
+## Related Concepts
+- [[结构化思维]]：Prompt 工程的思维基础
+- [[AI技能封装]]：Prompt 工程向流程工程的延伸
+- [[LLM]]：Prompt 工程的载体
+- [[大语言模型]]：技术基础
+
+## Sources
+- [[如何写出完美的Prompt（提示词）？]]

wiki/concepts/RAG.md

@@ -0,0 +1,43 @@
+---
+title: "RAG"
+type: concept
+tags: [rag, llm, retrieval-augmented-generation]
+sources: ["RAG从入门到精通系列1：基础RAG", "LLMs、RAG、AI Agent 三个到底什么区别？"]
+last_updated: 2026-04-15
+---
+
+## Definition
+Retrieval Augmented Generation（检索增强生成），一种将 LLM 与外部数据源（私有数据或最新数据）连接的通用方法。通过先检索后生成的模式，让 LLM 的回答有时事实依据。
+
+## Architecture
+三阶段管道：
+1. **Indexing（索引）**：文档加载→文本切分→向量化→存入向量数据库
+2. **Retrieval（检索）**：问题向量化→按相似度检索 Top-k 知识片段
+3. **Generation（生成）**：问题+知识片段→PromptTemplate→LLM 生成答案
+
+## Key Components
+| 组件 | 作用 | 示例工具 |
+|------|------|---------|
+| Document Loader | 加载外部文档 | LangChain 160+ 加载器 |
+| Text Splitter | 切分文档为 Split | RecursiveCharacterTextSplitter |
+| Embedding Model | 文本→向量 | BAAI BGE 系列 |
+| Vector Store | 存储+相似度检索 | Qdrant、Pinecone、Chroma |
+| LLM | 答案生成 | GPT-4、Claude、Qwen |
+
+## Technical Details
+- Embedding Model Context Window 通常 512~8192 token，需将长文档切分成满足长度限制的 Split
+- 相似度衡量方法：余弦相似度、点积、欧氏距离等
+- Retriever 可通过 LangChain 的 Retriever 接口统一抽象
+
+## Related Concepts
+- [[LLM]]：RAG 的生成层载体
+- [[Embedding]]：RAG 的核心技术，将文本转为数值表示
+- [[向量数据库]]：RAG 的存储层
+- [[AI知识库]]：RAG 的上层应用形态
+- [[Indexing]]：RAG 第一阶段
+- [[Retrieval]]：RAG 第二阶段
+- [[Generation]]：RAG 第三阶段
+
+## Sources
+- [[RAG从入门到精通系列1：基础RAG]]
+- [[LLMs、RAG、AI Agent 三个到底什么区别？]]

wiki/concepts/RCA.md

@@ -0,0 +1,30 @@
+---
+title: "RCA"
+type: concept
+tags: [devops, troubleshooting]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **全称**：Root Cause Analysis
+- **类型**：故障分析方法
+- **来源**：How Agentic AI can help for Cloud DevOps
+
+## 定义
+RCA（根因分析）是通过系统性方法找出故障根本原因，而非仅仅处理表面症状。
+
+## Agentic AI 应用
+- 分析来自 CloudWatch、Stackdriver、Azure Monitor 的日志
+- 跨层关联问题（计算、网络、应用）
+- AI 驱动的自动化 RCA
+- 从事件历史中学习最佳实践
+
+## 关联
+- [[DevOps]] ← 应用领域
+- [[Agentic AI]] ← AI 增强
+- [[CloudWatch]] ← 日志数据来源
+
+## Aliases
+- Root Cause Analysis
+- 根因分析
+- 故障根因分析

wiki/concepts/RSS-Feed.md

@@ -0,0 +1,28 @@
+---
+title: "RSS Feed"
+type: concept
+tags: [rss, syndication, feed]
+sources: ["How to Get the RSS Feed For Any YouTube Channel"]
+last_updated: 2026-04-15
+---
+
+## Definition
+Really Simple Syndication（简易信息聚合），一种标准化的内容订阅格式，允许用户通过 RSS 阅读器集中获取多个来源的更新内容，无需逐个访问网站。
+
+## Key Properties
+- 标准化格式（XML）
+- 支持任意网站/平台的内容订阅
+- 用户可在单一阅读器中聚合所有订阅源
+- 内容更新自动推送到阅读器
+
+## YouTube RSS
+- YouTube 官方已移除 RSS 订阅按钮
+- 需通过 View Page Source → 搜索 channel_id= 获取 RSS Feed URL
+- 格式：https://www.youtube.com/feeds/videos.xml?channel_id={ID}
+
+## Related Concepts
+- [[被动学习]]：RSS Feed 可作为被动学习的内容来源通道
+- [[YouTube]]：RSS Feed 的重要内容来源平台
+
+## Sources
+- [[How to Get the RSS Feed For Any YouTube Channel]]

wiki/concepts/Reviewer.md

@@ -0,0 +1,23 @@
+---
+title: "Reviewer"
+type: concept
+tags: [agent, skill, design-pattern]
+last_updated: 2026-04-15
+---
+
+# Reviewer
+
+## 定义
+Google 5 种 Agent Skill 设计模式之一，把"检查什么"和"怎么检查"完全分离的 Skill 模式。
+
+## 核心机制
+审查标准存放在 references/review-checklist.md，指令保持静态，agent 动态加载特定审查标准，强制输出按严重程度分组的结构化结果。
+
+## 优势
+换清单文件即可切换审计类型，无需修改 skill 基础设施：
+- Python 风格检查 → OWASP 安全检查
+- 代码审查 → 架构审查
+
+## Connections
+- [[Agent Skill 设计模式]]：所属分类
+- [[Pipeline]]：可组合，在最后 double-check 成果

wiki/concepts/Self-Healing-Systems.md

@@ -0,0 +1,32 @@
+---
+title: "Self-Healing Systems"
+type: concept
+tags: [agentic-ai, devops, autonomous]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：自主运维能力
+- **来源**：How Agentic AI can help for Cloud DevOps
+
+## 定义
+Self-Healing Systems（自愈系统）指 Agentic AI 能够主动检测云环境中的异常（K8s、数据库、存储），并自动执行修复操作。
+
+## 核心机制
+1. **异常检测**：持续监控 Kubernetes (EKS/GKE/AKS)、数据库 (RDS/Cloud SQL/Cosmos DB)、存储 (S3/GCS/Blob Storage)
+2. **自动修复**：执行预设的修复动作（重启 Pod、扩展资源、清理磁盘空间）
+3. **预测性维护**：从历史故障学习模式，主动建议补丁或扩缩容
+
+## 价值
+- MTTR（平均解决时间）降低
+- SLA 合规性提升
+- 减少人工干预
+
+## 关联
+- [[Agentic AI]] ← 实现技术
+- [[DevOps]] ← 应用领域
+- [[Multi-Cloud Governance]] ← 跨平台自愈
+
+## Aliases
+- 自愈系统
+- Autonomous Healing

wiki/concepts/Token.md

@@ -0,0 +1,30 @@
+---
+title: "Token"
+type: concept
+tags: [llm, fundamental-unit]
+last_updated: 2025-12-20
+---
+
+## 基本信息
+- **类型**：基本输入单元
+- **来源**：大模型相关术语和框架总结
+
+## 定义
+Token 是大模型各种算法的基本输入单元，可以认为是一个单词或者一个短语。
+
+## 计量规则
+- 1 个英文字符 ≈ 0.3 个 token
+- 1 个中文字符 ≈ 0.6 个 token
+
+## 重要性
+- Token 数量直接影响 LLM 的计算成本
+- 上下文窗口长度以 token 为单位限制
+- Tokenization 是 LLM 处理文本的第一步
+
+## 关联
+- [[LLM]] ← 基本输入单元
+- [[Embedding]] ← Token 转化为向量
+
+## Aliases
+- Tokens
+- 词元

wiki/concepts/Tool-Wrapper.md

@@ -0,0 +1,26 @@
+---
+title: "Tool Wrapper"
+type: concept
+tags: [agent, skill, design-pattern]
+last_updated: 2026-04-15
+---
+
+# Tool Wrapper
+
+## 定义
+Google 5 种 Agent Skill 设计模式之一，通过监听特定关键词动态加载规范文档的 Skill 模式。
+
+## 核心机制
+当 agent 检测到特定库关键词时，才动态加载 references/ 目录下的规范文档，并将其作为绝对真理执行。
+
+## 优势
+- 避免 system prompt 过度膨胀
+- 只在需要时才加载相关知识
+- 适合分发团队内部编码规范或框架最佳实践
+
+## 示例
+写 FastAPI 的 skill，不把所有 API 约定塞进 system prompt，而是让 SKILL.md 监听 FastAPI 关键词，动态加载 conventions.md。
+
+## Connections
+- [[Agent Skill 设计模式]]：所属分类
+- [[渐进式披露]]：实现机制

wiki/concepts/Vibe-Coding.md

@@ -0,0 +1,41 @@
+---
+title: "Vibe Coding"
+type: concept
+tags: [ai-programming, methodology]
+last_updated: 2025-12-30
+---
+
+## 基本信息
+- **类型**：AI 编程方法论
+- **来源**：GitHub 上 5000 人收藏的 Vibe Coding 神级指南
+
+## 定义
+Vibe Coding = 规划驱动 + 上下文固定 + AI 结对执行，让「从想法到可维护代码」变成一条可审计的流水线。
+
+## 核心思想
+开发者从"苦哈哈写每一行代码"转变为"保持对产品逻辑、用户流程、审美和交互的感觉"，剩下的体力活交给 AI 编程工具。
+
+## Karpathy 描述
+> "我几乎不写代码了，我只负责调整氛围（Vibe），代码会自动长出来。"
+
+## 关键要素
+1. **规划驱动**：技术选型、实施规划、模块化设计先行
+2. **上下文固定**：保持 AI 理解一致，防止理解偏差
+3. **AI 结对执行**：AI 承担代码实现，开发者做导演
+
+## 工具生态
+- [[Cursor]]
+- [[Windsurf]]
+- [[Trae]]
+- [[Claude Code]]
+
+## 资源
+- [[vibe-coding-cn]]：中文开发者资源库
+
+## 关联
+- [[AI编程]] ← 范畴
+- [[Prompt工程]] ← 演进基础
+
+## Aliases
+- 氛围编程
+- Vibe Coding

wiki/concepts/Workspace.md

@@ -0,0 +1,35 @@
+---
+title: "Workspace"
+type: concept
+tags: [OpenClaw, Agent架构]
+last_updated: 2026-04-15
+---
+
+## 定义
+OpenClaw 中 Agent 的工作台目录（默认路径 `~/.openclaw/workspace/`），包含决定 Agent 如何工作的所有配置文件。sub-agent 也适用相同结构。
+
+## 核心文件组成
+| 文件 | 职责 | 类型 |
+|------|------|------|
+| [[AGENTS.md]] | 岗位职责说明书 | 功能性 |
+| [[SOUL.md]] | 性格档案 | 人格性 |
+| [[USER.md]] | 用户偏好固化 | 上下文 |
+| [[TOOLS.md]] | 工具权限规范 | 安全性 |
+| [[IDENTITY.md]] | 结构化身份元数据 | 元数据 |
+| [[BOOTSTRAP.md]] | 一次性初始化引导 | 引导 |
+| memory/ | 长期记忆目录 | 持久化 |
+
+## 与 agentDir 的区别
+- **Workspace**：决定 Agent 怎么工作（配置层）
+- **agentDir**：openclaw.json 中的配置字段，指向运行态目录（存储层）
+- **sessions**：工作日志，记录对话历史（历史层）
+
+三者职责不同，不可混为一谈。
+
+## 核心价值
+让 Agent 从"每次重新 onboarding"转变为"记得上下文、偏好和历史"的长期搭档。
+
+## Connections
+- [[Workspace]] ← 组成部分 ← [[AGENTS.md]] + [[SOUL.md]] + [[USER.md]] + [[TOOLS.md]] + [[IDENTITY.md]] + [[BOOTSTRAP.md]] + [[长期记忆]]
+- [[Workspace]] ← 属于 ← [[OpenClaw]]
+- [[长期记忆]] ← 承载 ← [[Workspace]]

wiki/concepts/vLLM.md

@@ -0,0 +1,43 @@
+---
+title: "vLLM"
+type: concept
+tags: [llm, inference-optimization, gpu]
+last_updated: 2025-12-20
+---
+
+## 基本信息
+- **全称**：Virtual Large Language Model
+- **类型**：推理优化框架
+- **来源**：大模型相关术语和框架总结
+- **维护方**：vLLM 社区
+
+## 定义
+vLLM 是开源项目，通过更好地利用 GPU 内存来加快大语言模型生成式 AI 应用的输出速度。
+
+## 核心模块
+
+### KV Cache
+- K 和 V 是每个 token 向量化后通过线性变换得到的向量，用于注意力计算
+- KV Cache 保存历史 K/V，避免重复计算
+- 显存开销随上下文长度、层数、头数、维度线性增长
+
+### PagedAttention
+- 将 KV Cache 切分为固定大小的块（block）
+- 页表式映射管理，类操作系统虚拟内存
+- 避免连续内存分配导致的碎片化和 OOM
+- 支持多分支和重复前缀场景的 KV 块复用
+
+### 连续批处理
+- 每个解码步骤（按 token 迭代）将活跃请求组装成一个批
+- 序列长度不同也能高效合批
+- GPU 基本满负载运转
+- 减少短任务被长任务阻塞的头阻塞
+
+## 关联
+- [[LLM]] ← 优化对象
+- [[RAG]] ← 可结合使用
+- [[Embedding]] ← 向量化基础
+
+## Aliases
+- vLLM
+- Virtual Large Language Model

wiki/concepts/向量数据库.md

@@ -0,0 +1,32 @@
+---
+title: "向量数据库"
+type: concept
+tags: [vector-database, rag, embedding]
+sources: ["RAG从入门到精通系列1：基础RAG"]
+last_updated: 2026-04-15
+---
+
+## Definition
+专门用于存储和检索高维 Embedding Vector 的数据库，支持多种相似度衡量方法，实现高效的语义检索。
+
+## Core Functions
+- 存储 Embedding Vector 及关联元数据
+- 实现相似度检索（余弦相似度、点积、欧氏距离等）
+- 支持 Top-k 检索（返回最相似的 k 个结果）
+
+## Popular Solutions
+| 数据库 | 特点 |
+|--------|------|
+| Qdrant | Rust 编写，开源，高性能 |
+| Pinecone | 云原生托管服务 |
+| Chroma | 轻量级，适合本地开发 |
+| Milvus | Apache 许可，开源 |
+| Weaviate | 混合搜索（向量+关键词） |
+
+## Related Concepts
+- [[Embedding]]：向量数据库存储的对象
+- [[RAG]]：向量数据库的主要应用场景
+- [[Retrieval]]：向量数据库的核心能力
+
+## Sources
+- [[RAG从入门到精通系列1：基础RAG]]

wiki/concepts/数据蒸馏.md

@@ -0,0 +1,33 @@
+---
+title: "数据蒸馏"
+type: concept
+tags: [llm, model-compression]
+last_updated: 2025-12-20
+---
+
+## 基本信息
+- **全称**：Data Distillation
+- **类型**：模型压缩技术
+- **来源**：大模型相关术语和框架总结
+
+## 定义
+数据蒸馏是利用一个高性能的大模型生成精简但有价值的数据，使得一个小模型可以从中学习并逼近大模型的效果。
+
+## 核心思想
+- 大模型（Teacher）生成高质量合成数据
+- 小模型（Student）从合成数据中学习
+- 目标：用更少参数达到接近大模型的性能
+
+## 应用场景
+- 边缘设备部署（资源受限）
+- 降低推理成本
+- 特定领域模型快速训练
+
+## 关联
+- [[LLM]] ← Teacher 模型
+- [[vLLM]] ← 推理优化
+
+## Aliases
+- Data Distillation
+- 知识蒸馏
+- 模型蒸馏

wiki/concepts/渐进式披露.md

@@ -0,0 +1,25 @@
+---
+title: "渐进式披露"
+type: concept
+tags: [agent, skill, context-management]
+last_updated: 2026-04-15
+---
+
+# 渐进式披露
+
+## 定义
+ADK（Agent Development Kit）的机制，agent 只在运行时需要时才消耗上下文 token 来加载特定模式。
+
+## 核心价值
+- 避免 context overflow
+- 只加载当前任务需要的 skill 组件
+- 提高 token 利用效率
+
+## 在 Skill 设计中的应用
+- [[Tool Wrapper]]：只在触发关键词时加载规范
+- [[Reviewer]]：只在执行审查时加载检查清单
+- 5 种模式可组合，但不会全部同时加载
+
+## Connections
+- [[ADK]]：实现机制
+- [[Agent Skill 设计模式]]：应用场景

wiki/concepts/精准表达.md

@@ -0,0 +1,26 @@
+---
+title: "精准表达"
+type: concept
+tags: [prompt-engineering, 思维方法]
+sources: ["如何写出完美的Prompt（提示词）？"]
+last_updated: 2026-04-15
+---
+
+## Definition
+用清晰的逻辑组织信息，让 AI 快速抓取核心，核心是消除信息差——既消除人类需求与 AI 理解之间的信息差，也消除任务目标与执行标准之间的信息差。
+
+## Core Elements
+- 动词明确：避免模糊词表述（如"做一下""弄个"）
+- 对象明确：明确核心内容
+- 约束明确：明确边界条件
+
+## Related Concepts
+- [[结构化思维]]：精准表达的思维基础
+- [[需求拆解]]：精准表达在 Prompt 中的具体形态
+
+## Key Distinction
+- 误区：越复杂越专业，过度堆砌术语和格式
+- 真相：Prompt 的专业性不在于复杂程度，而在于精准匹配
+
+## Sources
+- [[如何写出完美的Prompt（提示词）？]]

wiki/concepts/结构化思维.md

@@ -0,0 +1,24 @@
+---
+title: "结构化思维"
+type: concept
+tags: [prompt-engineering, 思维方法]
+sources: ["如何写出完美的Prompt（提示词）？"]
+last_updated: 2026-04-15
+---
+
+## Definition
+将模糊目标拆解为具体、可执行的子任务，用清晰的逻辑组织信息，让 AI 快速抓取核心。
+
+## Core Elements
+- 核心指令前置：避免冗余信息干扰
+- 分层呈现信息：用标题、序号、分段区分核心任务、背景信息、约束条件
+- 逻辑关系明确：用连接词清晰呈现任务逻辑链条
+
+## Related Concepts
+- [[精准表达]]：结构化思维的输出层面
+- [[需求拆解]]：结构化思维在 Prompt 构建中的具体应用
+- [[任务拆分法]]：结构化思维在复杂任务中的扩展应用
+
+## Examples
+- 按"业务流程递进"拆分（如白皮书：收集数据→分析痛点→设计框架→填充内容→优化语言）
+- 用总-分-总、维度拆解等逻辑框架组织 Prompt

wiki/entities/AWS.md

@@ -0,0 +1,33 @@
+---
+title: "AWS"
+type: entity
+tags: [cloud, devops]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：云服务提供商
+- **全称**：Amazon Web Services
+- **来源**：How Agentic AI can help for Cloud DevOps
+
+## 简介
+Amazon Web Services 是全球领先的云服务平台，在 DevOps 领域提供广泛的工具和服务。
+
+## Agentic AI 相关服务
+- **EKS**：Elastic Kubernetes Service，容器编排
+- **CloudWatch**：监控与日志服务
+- **IAM**：身份与访问管理
+- **Lambda**：无服务器计算
+- **S3**：对象存储
+- **RDS**：关系型数据库服务
+- **Inspector**：安全漏洞扫描
+- **Systems Manager (SMAX)**：多租户管理
+
+## 关联
+- [[Agentic AI]] 的重要云平台
+- [[Kubernetes]] (EKS) 容器编排
+- [[CloudWatch]] 监控服务
+
+## Aliases
+- Amazon Web Services
+- 亚马逊云服务

wiki/entities/Alex-Ewerlof.md

@@ -0,0 +1,25 @@
+---
+title: "Alex Ewerlöf"
+type: entity
+tags: [author, reliability-engineering, llm]
+last_updated: 2026-04-15
+---
+
+## Identity
+- **职业**：资深工程师（Senior Staff Engineer）
+- **经验**：27年系统工程经验
+- **学术**：KTH（瑞典皇家理工学院）系统工程硕士
+- **专注领域**：可靠性工程（Reliability Engineering）和弹性架构
+- **LLM 研究**：自2023年起专攻 LLM 应用
+
+## Key Contributions
+- 提出 4 种多智能体可靠性架构模式：Hierarchy、Consensus、Adversarial Debate、Knock-out
+- 倡导将 SRE 原则应用于 LLM 系统构建
+
+## Publications
+- Blog: https://blog.alexewerlof.com
+- [[Multi-Agent-System-Reliability]]（主要文章）
+
+## Aliases
+- Alex Ewerlof
+- A. Ewerlöf

wiki/entities/Azure.md

@@ -0,0 +1,29 @@
+---
+title: "Azure"
+type: entity
+tags: [cloud, devops]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：云服务提供商
+- **全称**：Microsoft Azure
+- **来源**：How Agentic AI can help for Cloud DevOps
+
+## 简介
+Microsoft Azure 是微软提供的云服务平台，企业级 DevOps 工具链完善。
+
+## Agentic AI 相关服务
+- **AKS**：Azure Kubernetes Service，容器编排
+- **Azure Monitor**：监控与诊断
+- **Azure Defender**：安全防护
+- **Azure Savings Plan**：成本优化
+
+## 关联
+- [[Agentic AI]] 的重要云平台
+- [[Kubernetes]] (AKS) 容器编排
+- [[Multi-Cloud Governance]] 跨云治理对象
+
+## Aliases
+- Microsoft Azure
+- Azure 云平台

wiki/entities/Claude-Code.md

@@ -0,0 +1,34 @@
+---
+title: "Claude Code"
+type: entity
+tags: [AI编程, Anthropic, 开发者工具]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **发布方**：[[Anthropic]]
+- **类型**：CLI 编程工具
+- **核心能力**：通过自然语言指令执行复杂编程任务，支持 Skill 扩展
+
+## 关键机制
+
+### 调用方式
+- [[Print Mode]]：stdin 管道非交互模式，适合绝大多数任务
+- [[TMUX交互模式]]：tmux session 交互模式，适合超长任务
+
+### 权限控制
+- `--permission-mode bypassPermissions`：跳过所有交互确认
+- `--dangerously-skip-permissions`：CLI 内部触发，可能仍需交互
+
+### Skill 加载
+通过 `--add-dir` 扫描目录，自动激活匹配触发条件的 SKILL.md
+
+## 与 OpenClaw 的关系
+OpenClaw 的 terminal 工具通过 `claude -p` 调用 Claude Code，是获取 Claude Code 技能的唯一正确方式。[[delegate_task]] 无法建立外部 CLI 通道。
+
+## Connections
+- [[Claude Code]] ← 发布方 ← [[Anthropic]]
+- [[Print Mode]] ← 执行方 ← [[Claude Code]]
+- [[TMUX交互模式]] ← 执行方 ← [[Claude Code]]
+- [[Skill加载]] ← 作用于 ← [[Claude Code]]
+- [[Hermes]] ← 调用方 ← [[Claude Code]]

wiki/entities/CloudWatch.md

@@ -0,0 +1,32 @@
+---
+title: "CloudWatch"
+type: entity
+tags: [devops, monitoring]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：监控与日志服务
+- **厂商**：AWS
+- **来源**：How Agentic AI can help for Cloud DevOps
+
+## 简介
+CloudWatch 是 AWS 的监控和可观测性服务，收集和跟踪云资源指标、日志和事件。
+
+## 核心能力
+- 基础设施监控
+- 日志收集与分析
+- 告警设置
+
+## Agentic AI 应用
+- AI 驱动的日志分析与根因分析（RCA）
+- 与 AI agent 集成实现自动告警响应
+
+## 关联
+- [[AWS]] 原生监控服务
+- [[Agentic AI]] 的日志数据来源
+- [[Datadog]] 功能类似
+
+## Aliases
+- Amazon CloudWatch
+- AWS CloudWatch

wiki/entities/Composer.md

@@ -0,0 +1,26 @@
+---
+title: "Composer"
+type: entity
+tags: [cursor, ai-ide]
+last_updated: 2026-04-15
+---
+
+# Composer
+
+## 基本信息
+- **类型**：AI IDE 组件
+- **平台**：[[Cursor]]
+- **功能**：Cursor 中的对话构建模块
+
+## 描述
+Cursor IDE 中的对话构建模块，支持 Agent 模式和 Normal 模式两种交互方式。
+
+## 两种模式
+- **Agent 模式**：自动执行 MCP 工具链，减少手动操作
+- **Normal 模式**：需用户手动复制命令执行
+
+## Aliases
+- Cursor Composer
+
+## Connections
+- [[Cursor]]：所属平台

wiki/entities/Cursor.md

@@ -0,0 +1,25 @@
+---
+title: "Cursor"
+type: entity
+tags: [ai, ide, programming]
+last_updated: 2025-12-30
+---
+
+## 基本信息
+- **类型**：AI 编程 IDE
+- **来源**：Vibe Coding 神级指南推荐
+
+## 简介
+Cursor 是 AI 编程领域的领先 IDE，集成了大模型能力，支持智能代码补全、代码生成、代码解释等功能。
+
+## 核心能力
+- AI 驱动的代码补全与生成
+- 自然语言代码转换
+- 多文件项目级理解
+
+## 关联
+- [[Vibe Coding]] 的主要工具支撑
+- 与 [[Claude Code]] 同为 AI 编程工具
+
+## Aliases
+- Cursor IDE

wiki/entities/DracoVibeCoding.md

@@ -0,0 +1,16 @@
+---
+title: "DracoVibeCoding"
+type: entity
+tags: [KOL, 开发者]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **公众号**：Draco正在VibeCoding
+- **领域**：Vibe Coding、AI Agent 实践、OpenClaw
+
+## 主要贡献
+- 《万字讲透OpenClaw Workspace》作者，对 OpenClaw workspace 文件体系进行了系统性解析
+
+## Connections
+- [[DracoVibeCoding]] ← 作者 ← [[万字讲透OpenClaw-Workspace深度解析]]

wiki/entities/GCP.md

@@ -0,0 +1,30 @@
+---
+title: "GCP"
+type: entity
+tags: [cloud, devops]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：云服务提供商
+- **全称**：Google Cloud Platform
+- **来源**：How Agentic AI can help for Cloud DevOps
+
+## 简介
+Google Cloud Platform 是 Google 提供的云服务平台，在 DevOps 和容器编排领域具有重要地位。
+
+## Agentic AI 相关服务
+- **GKE**：Google Kubernetes Engine，容器编排
+- **Cloud SQL**：云数据库
+- **GCS**：Google Cloud Storage，对象存储
+- **Security Command Center**：安全态势管理
+- **Preemptible VMs**：可抢占虚拟机（成本优化）
+
+## 关联
+- [[Agentic AI]] 的重要云平台
+- [[Kubernetes]] (GKE) 容器编排
+- [[Multi-Cloud Governance]] 跨云治理对象
+
+## Aliases
+- Google Cloud Platform
+- 谷歌云平台

wiki/entities/Google.md

@@ -0,0 +1,22 @@
+---
+title: "Google"
+type: entity
+tags: [tech-company, cloud, agent]
+last_updated: 2026-04-15
+---
+
+# Google
+
+## 基本信息
+- **类型**：科技公司
+- **全称**：Google Cloud
+- **关联**：Agent Skill 设计模式发布方
+
+## 描述
+2026年3月，Google Cloud 发布 5 种经过验证的 Agent Skill 设计模式指南，由 Saboo_Shubham_ 和 lavinigam 撰写。
+
+## 主要贡献
+- [[Agent Skill 设计模式]]：Tool Wrapper、Generator、Reviewer、Inversion、Pipeline
+
+## Connections
+- [[Agent Skill 设计模式]] ← 发布方

wiki/entities/Hermes.md

@@ -0,0 +1,22 @@
+---
+title: "Hermes"
+type: entity
+tags: [OpenClaw, 组件]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：OpenClaw 内部组件
+- **职责**：通过 terminal 工具调用外部 CLI 程序（包括 Claude Code）
+
+## 关键能力
+- terminal 工具：Hermes 调用外部 CLI 的接口
+- delegate_task：调用 Hermes 子 agent（API 调用），但无法建立外部 Claude Code CLI 通道
+
+## 与 Claude Code 的关系
+- [[Claude Code]] ← 被调用方 ← [[Hermes]]
+- 当需要调用 Claude Code 技能时，必须使用 terminal + claude -p，不能用 delegate_task
+
+## Connections
+- [[Hermes]] ← 属于 ← [[OpenClaw]]
+- [[Claude Code]] ← 被调用方 ← [[Hermes]]

wiki/entities/Karpathy.md

@@ -0,0 +1,23 @@
+---
+title: "Karpathy"
+type: entity
+tags: [ai-researcher]
+last_updated: 2025-12-30
+---
+
+## 基本信息
+- **类型**：AI 研究者
+- **来源**：GitHub 上 5000 人收藏的 Vibe Coding 神级指南
+
+## 简介
+著名 AI 研究者，提出了 Vibe Coding 概念。
+
+## 关键观点
+> "我几乎不写代码了，我只负责调整氛围（Vibe），代码会自动长出来。"
+
+## 关联
+- [[Vibe Coding]] 概念提出者
+- [[AI编程]] 领域专家
+
+## Aliases
+- Andrej Karpathy

wiki/entities/OpenClaw.md

@@ -0,0 +1,35 @@
+---
+title: "OpenClaw"
+type: entity
+tags: [AI框架, Agent, 开发者工具]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：AI Agent 框架
+- **核心设计**：workspace 文件体系
+- **用途**：构建可持久化、可记忆、性格一致的 AI Agent
+
+## 核心组件
+
+### Workspace 文件体系
+- [[AGENTS.md]]：岗位职责说明书
+- [[SOUL.md]]：性格档案
+- [[USER.md]]：用户偏好固化
+- [[TOOLS.md]]：工具权限规范
+- [[IDENTITY.md]]：结构化身份元数据
+- [[BOOTSTRAP.md]]：一次性初始化引导
+- [[长期记忆]]：memory/ 目录
+
+### 多 Agent 协作
+- [[Agent编排]]：通过 AGENTS.md 中的 spawn 规则实现多 Agent 协调
+- workspace 支持多 Agent 共享配置
+
+## 关键概念
+- [[Workspace]]：Agent 的工作台目录
+- [[Agent编排]]：多 Agent 场景下的任务分配与协调
+
+## Connections
+- [[OpenClaw]] ← 包含 ← [[Workspace]]
+- [[Workspace]] ← 由 ← [[AGENTS.md]] + [[SOUL.md]] + [[USER.md]] + [[TOOLS.md]] + [[IDENTITY.md]] + [[BOOTSTRAP.md]]
+- [[Claude Code]] ← 被调用方 ← [[OpenClaw]]

wiki/entities/Sequential-Thinking.md

@@ -0,0 +1,24 @@
+---
+title: "Sequential Thinking"
+type: entity
+tags: [mcp, reasoning, tool]
+last_updated: 2026-04-15
+---
+
+# Sequential Thinking
+
+## 基本信息
+- **类型**：MCP 工具
+- **功能**：逻辑推理与分步执行任务
+
+## 描述
+MCP 工具之一，通过逻辑推理分步拆解任务，提升 AI 沟通效率和决策质量。
+
+## 关键特点
+- 支持复杂任务的分步推理
+- 可与其他 MCP 工具链协同调用
+- 提升 AI 模型对问题的系统性思考能力
+
+## Connections
+- [[MCP]]：基于该协议
+- [[MCP工具链]]：组件之一

wiki/entities/Terraform.md

@@ -0,0 +1,31 @@
+---
+title: "Terraform"
+type: entity
+tags: [devops, iac]
+last_updated: 2026-04-15
+---
+
+## 基本信息
+- **类型**：IaC 工具
+- **来源**：How Agentic AI can help for Cloud DevOps
+- **厂商**：HashiCorp
+
+## 简介
+Terraform 是基础设施即代码（IaC）的主流工具，通过声明式配置管理云资源。
+
+## 核心能力
+- 跨多云（AWS、GCP、Azure）基础设施编排
+- 状态管理
+- 模块化配置复用
+
+## Agentic AI 应用
+- AI 代理审查 Terraform 脚本并建议改进
+- 自动化部署策略执行
+
+## 关联
+- [[IaC]] 的代表性工具
+- [[Infrastructure as Code]] 概念落地
+- [[Agentic AI]] 智能审查对象
+
+## Aliases
+- Terraform by HashiCorp

wiki/entities/Trae.md

@@ -0,0 +1,19 @@
+---
+title: "Trae"
+type: entity
+tags: [ai, ide, programming]
+last_updated: 2025-12-30
+---
+
+## 基本信息
+- **类型**：AI 编程 IDE
+- **来源**：Vibe Coding 神级指南推荐
+
+## 简介
+Trae 是新兴的 AI 编程 IDE，为开发者提供 AI 辅助编程能力。
+
+## 关联
+- [[Vibe Coding]] 的工具支撑之一
+
+## Aliases
+- Trae IDE

wiki/entities/Windsurf.md

@@ -0,0 +1,19 @@
+---
+title: "Windsurf"
+type: entity
+tags: [ai, ide, programming]
+last_updated: 2025-12-30
+---
+
+## 基本信息
+- **类型**：AI 编程 IDE
+- **来源**：Vibe Coding 神级指南推荐
+
+## 简介
+Windsurf 是另一款 AI 编程 IDE，与 Cursor、Trae 共同构成 Vibe Coding 生态的主要工具选择。
+
+## 关联
+- [[Vibe Coding]] 的工具支撑之一
+
+## Aliases
+- Windsurf IDE

wiki/entities/czlonkowski.md

@@ -0,0 +1,21 @@
+---
+title: "czlonkowski"
+type: entity
+tags: [developer, n8n, mcp]
+last_updated: 2026-04-15
+---
+
+# czlonkowski
+
+## 基本信息
+- **类型**：开发者
+- **角色**：n8n-mcp 项目作者
+
+## 描述
+开源项目 n8n-mcp 的维护者，该项目实现了 n8n 与 AI 模型之间的 MCP 协议桥接。
+
+## 主要项目
+- [[n8n-mcp]]：n8n MCP 服务器
+
+## Connections
+- [[n8n-mcp]] ← 创建者

wiki/entities/n8n-mcp.md

@@ -0,0 +1,38 @@
+---
+title: "n8n-mcp"
+type: entity
+tags: [n8n, mcp, workflow-automation]
+last_updated: 2026-04-15
+---
+
+# n8n-mcp
+
+## 基本信息
+- **类型**：MCP 服务器项目
+- **作者**：czlonkowski
+- **仓库**：https://github.com/czlonkowski/n8n-mcp
+- **用途**：连接 n8n 工作流自动化平台与 AI 模型
+
+## 描述
+n8n-mcp 是连接 n8n 工作流自动化平台与 AI 模型的 MCP 服务器，使 AI 能够理解和调用 n8n 节点。
+
+## 核心能力
+- 543 个 n8n 节点的结构化访问（n8n-nodes-base + @n8n/n8n-nodes-langchain）
+- 节点属性覆盖率 99%
+- 节点操作覆盖率 63.6%
+- 官方文档覆盖率 87%（含 AI 节点）
+- 检测到 271 个 AI 能力节点
+- 2646 个预提取配置示例
+- 2709 个工作流模板（100% 元数据覆盖）
+
+## 启动方式
+```bash
+npx n8n-mcp
+```
+
+## Aliases
+- n8n-mcp
+
+## Connections
+- [[n8n]]：平台提供方
+- [[MCP]]：基于该协议

wiki/entities/vibe-coding-cn.md

@@ -0,0 +1,29 @@
+---
+title: "vibe-coding-cn"
+type: entity
+tags: [vibe-coding, github, resource]
+last_updated: 2025-12-30
+---
+
+## 基本信息
+- **类型**：GitHub 开源项目
+- **地址**：github.com/tukuaiai/vibe-coding-cn
+- **来源**：GitHub 上 5000 人收藏的 Vibe Coding 神级指南
+
+## 简介
+专为中文开发者设计的 Vibe Coding 资源库与工作站，汇集全球顶尖 AI 编程资源，包含方法论、工具链、提示词库和开发经验总结。
+
+## 核心目录
+- 方法论：Vibe Coding 准则
+- AI 编程资源：AI 模型、IDE 环境推荐
+- 提示词优化技巧：全链路脚本
+
+## 定义
+Vibe Coding = 规划驱动 + 上下文固定 + AI 结对执行
+
+## 关联
+- [[Vibe Coding]] 的中文资源库
+- [[Cursor]]、[[Windsurf]]、[[Trae]] 为推荐工具
+
+## Aliases
+- vibe-coding-cn 项目

wiki/index.md

@@ -9,6 +9,21 @@
 - [14个免费的AI图生视频工具，用AI让图片动起来](sources/14个免费的AI图生视频工具.md) — 14款免费AI图生视频工具盘点
 - [3.2万人收藏的Claude Skills，才是AI这条路最值得研究的一套范式](sources/Claude-Skills-研究范式.md) — Claude Skills 资源图谱与流程工程新范式
 - [7 Ways I Use NotebookLM to Make My Life Easier](sources/7-ways-NotebookLM.md) — NotebookLM 7种实际应用场景
+- [Designing for Agentic AI](sources/Designing-for-Agentic-AI.md) — Agentic AI 与 UX 设计原则
+- [LLMs、RAG、AI Agent 三个到底什么区别？](sources/LLMs-RAG-AI-Agent-三个到底什么区别.md) — LLM/RAG/AI Agent 层级关系与协同模式
+- [Multi-Agent System Reliability](sources/Multi-Agent-System-Reliability.md) — 4种多智能体可靠性架构模式
+- [如何写出完美的Prompt（提示词）？](sources/如何写出完美的Prompt（提示词）？.md) — 结构化 Prompt 构建方法论与职场能力培养
+- [RAG从入门到精通系列1：基础RAG](sources/RAG从入门到精通系列1：基础RAG.md) — Indexing-Retrieval-Generation 三阶段管道
+- [How to Get the RSS Feed For Any YouTube Channel](sources/How to Get the RSS Feed For Any YouTube Channel.md) — YouTube 频道 RSS Feed 获取方法
+- [Nano Banana 提示词框架](sources/Nano-Banana-提示词框架.md) — Google 结构化图像生成提示词 9 层框架
+- [Claude Code 调用方法总结](sources/Claude-Code调用方法总结.md) — Print Mode / TMUX 交互模式与 Skill 加载
+- [万字讲透OpenClaw Workspace深度解析](sources/万字讲透OpenClaw-Workspace深度解析.md) — OpenClaw workspace 7 大核心文件体系
+- [大模型相关术语和框架总结](sources/大模型相关术语和框架总结.md) — LLM/MCP/Agent/RAG/vLLM/Tocken/数据蒸馏核心概念
+- [GitHub 上 5000 人收藏的 Vibe Coding 神级指南](sources/GitHub-Vibe-Coding-神级指南.md) — Vibe Coding 氛围编程方法论与资源
+- [How Agentic AI can help for Cloud DevOps](sources/How-Agentic-AI-for-Cloud-DevOps.md) — Agentic AI 云运维七大应用场景
+- [使用Claude自动生成N8N工作流的实操教程](sources/使用Claude自动生成N8N工作流的实操教程.md) — Claude + n8n-mcp 自动生成工作流完整指南
+- [MCP在Cursor中的集成与应用详解](sources/MCP在Cursor中的集成与应用详解.md) — MCP 协议在 Cursor IDE 中的集成方法
+- [Google 5个Agent Skill设计模式](sources/Google-5个Agent-Skill设计模式-2026-03-19.md) — 5种经过验证的 Skill 内容设计模式
 
 ## Entities
 - [Anthropic](entities/Anthropic.md)
@@ -63,6 +78,27 @@
 - [Viva](entities/Viva.md)
 - [Haiper](entities/Haiper.md)
 - [艺映AI](entities/艺映AI.md)
+- [Alex Ewerlöf](entities/Alex-Ewerlof.md) — 多智能体可靠性架构研究者
+- [Google](entities/Google.md)
+- [Claude Code](entities/Claude-Code.md)
+- [OpenClaw](entities/OpenClaw.md)
+- [Hermes](entities/Hermes.md)
+- [DracoVibeCoding](entities/DracoVibeCoding.md)
+- [Cursor](entities/Cursor.md) — AI 编程 IDE
+- [Windsurf](entities/Windsurf.md) — AI 编程 IDE
+- [Trae](entities/Trae.md) — AI 编程 IDE
+- [Karpathy](entities/Karpathy.md) — Vibe Coding 概念提出者
+- [vibe-coding-cn](entities/vibe-coding-cn.md) — 中文 Vibe Coding 资源库
+- [AWS](entities/AWS.md) — Amazon 云服务
+- [GCP](entities/GCP.md) — Google 云平台
+- [Azure](entities/Azure.md) — Microsoft 云平台
+- [Terraform](entities/Terraform.md) — IaC 工具
+- [CloudWatch](entities/CloudWatch.md) — AWS 监控服务
+- [n8n-mcp](entities/n8n-mcp.md) — n8n MCP 服务器
+- [czlonkowski](entities/czlonkowski.md) — n8n-mcp 项目作者
+- [Composer](entities/Composer.md) — Cursor 对话构建模块
+- [Sequential Thinking](entities/Sequential-Thinking.md) — MCP 逻辑推理工具
+- [Google](entities/Google.md) — Agent Skill 设计模式发布方
 
 ## Concepts
 - [AI技能封装](concepts/AI技能封装.md)
@@ -86,11 +122,43 @@
 - [智能体工作流](concepts/智能体工作流.md)
 - [AI搜索](concepts/AI搜索.md)
 - [AI知识库](concepts/AI知识库.md)
+- [结构化思维](concepts/结构化思维.md)
+- [精准表达](concepts/精准表达.md)
+- [Prompt工程](concepts/Prompt工程.md)
+- [RAG](concepts/RAG.md)
+- [Embedding](concepts/Embedding.md)
+- [向量数据库](concepts/向量数据库.md)
+- [RSS Feed](concepts/RSS-Feed.md)
 - [图生视频](concepts/图生视频.md)
 - [主体一致性](concepts/主体一致性.md)
 - [运动控制](concepts/运动控制.md)
 - [运镜控制](concepts/运镜控制.md)
 - [风格迁移](concepts/风格迁移.md)
+- [Agentic AI](concepts/Agentic-AI.md) — 能感知环境、决策、预判并自主行动的 AI 系统
+- [Multi-Agent Hierarchy](concepts/Multi-Agent-Hierarchy.md) — Supervisor+Worker+Validator 层级架构
+- [Multi-Agent Consensus](concepts/Multi-Agent-Consensus.md) — 多数投票提高输出可靠性
+- [Multi-Agent Adversarial Debate](concepts/Multi-Agent-Adversarial-Debate.md) — 对抗辩论防止 Sycophancy
+- [Multi-Agent Knock-out](concepts/Multi-Agent-Knock-out.md) — 遗传算法启发的适应度淘汰制
+- [Print Mode](concepts/Print-Mode.md) — Claude Code 非交互单次执行模式
+- [Workspace](concepts/Workspace.md) — OpenClaw Agent 工作台目录体系
+- [MCP](concepts/MCP.md) — Model Context Protocol，LLM 与外部工具的标准化协议
+- [vLLM](concepts/vLLM.md) — PagedAttention 与连续批处理的推理优化框架
+- [Token](concepts/Token.md) — LLM 基本输入单元，中文约 0.6 token/字符
+- [Vibe Coding](concepts/Vibe-Coding.md) — 氛围编程，规划驱动+AI 结对执行
+- [Self-Healing Systems](concepts/Self-Healing-Systems.md) — Agentic AI 自动检测并修复异常
+- [RCA](concepts/RCA.md) — Root Cause Analysis，AI 驱动的根因分析
+- [Multi-Cloud Governance](concepts/Multi-Cloud-Governance.md) — 跨 AWS/GCP/Azure 多云治理
+- [数据蒸馏](concepts/数据蒸馏.md) — 用大模型生成精简数据训练小模型
+- [AI工作流自动生成](concepts/AI工作流自动生成.md) — 通过自然语言描述让 AI 自动生成工作流
+- [Agent模式](concepts/Agent模式.md) — Cursor Composer 自动执行模式
+- [MCP工具链](concepts/MCP工具链.md) — 多个 MCP 工具顺序调用的工作流
+- [Agent Skill 设计模式](concepts/Agent-Skill设计模式.md) — Google 发布的 5 种 Skill 结构化设计模式
+- [Tool Wrapper](concepts/Tool-Wrapper.md) — 监听关键词动态加载规范文档的模式
+- [Generator](concepts/Generator.md) — 通过填空流程强制一致输出格式的模式
+- [Reviewer](concepts/Reviewer.md) — 分离检查清单与检查逻辑的模式
+- [Inversion](concepts/Inversion.md) — agent 先问再做收集信息的模式
+- [Pipeline](concepts/Pipeline.md) — 带硬性检查点的严格顺序工作流模式
+- [渐进式披露](concepts/渐进式披露.md) — ADK 机制，按需加载 token
 
 ## Syntheses
 - [DevOps 核心理念](syntheses/DevOps核心理念.md)

wiki/log.md

@@ -18,3 +18,78 @@ Created/updated: 12 entity pages (DeepSeek, Qwen, Flux, Stable Diffusion, Hunyua
 - [7-ways-NotebookLM](sources/7-ways-NotebookLM.md)
 - Key claims: Source-Grounding 机制确保回答可溯源；Audio Overviews 支持被动学习；NotebookLM 可作项目管理系统与法律文档审查工具
 - Created: 2 concepts (Source-Grounding, 被动学习)
+
+## [2026-04-15] ingest | Designing for Agentic AI
+- [Designing-for-Agentic-AI](sources/Designing-for-Agentic-AI.md)
+- Key claims: Agentic AI = 行动导向而非内容生成；5条设计原则：透明度、控制感、个性化、对话、预判；用户通过观察 AI 决策过程参与交互
+- Created: 1 concept (Agentic AI), 1 entity (Yuri Pessa)
+
+## [2026-04-15] ingest | LLMs、RAG、AI Agent 三个到底什么区别
+- [LLMs-RAG-AI-Agent-三个到底什么区别](sources/LLMs-RAG-AI-Agent-三个到底什么区别.md)
+- Key claims: LLM = 天才大脑（推理）；RAG = 随身图书馆助理（信息）；AI Agent = 行动循环（执行）；三者协同构成生产级 AI 系统
+- Created: concepts (LLM, RAG, AI Agent, AI Agent 循环)
+
+## [2026-04-15] ingest | 大模型相关术语和框架总结
+- [大模型相关术语和框架总结](sources/大模型相关术语和框架总结.md)
+- Key claims: LLM ≥1B 参数门槛；MCP 协议是 LLM 与外部工具的标准化接口；大模型仅输出步骤不执行；RAG 将考试正确率从 60% 提升至 90%；vLLM 通过 PagedAttention 和连续批处理优化 GPU 利用率
+- Created: 8 concepts (MCP, vLLM, Token, Self-Healing Systems, RCA, Multi-Cloud Governance, 数据蒸馏), 0 entities (已有 DeepSeek/Manus/GPT-2/GPT-3)
+
+## [2026-04-15] ingest | GitHub 上 5000 人收藏的 Vibe Coding 神级指南
+- [GitHub-Vibe-Coding-神级指南](sources/GitHub-Vibe-Coding-神级指南.md)
+- Key claims: Vibe Coding = 规划驱动 + 上下文固定 + AI 结对执行；开发者做导演，AI 工具承担体力活；推荐 Cursor + claude-opus-4.5-xhigh
+- Created: 5 entities (Cursor, Windsurf, Trae, Karpathy, vibe-coding-cn), 1 concept (Vibe Coding)
+
+## [2026-04-15] ingest | How Agentic AI can help for Cloud DevOps
+- [How-Agentic-AI-for-Cloud-DevOps](sources/How-Agentic-AI-for-Cloud-DevOps.md)
+- Key claims: Agentic AI 赋能 7 大 DevOps 场景：自主检测修复、智能 IaC、成本优化、安全合规、日志分析、多租户管理、AI 增强决策
+- Created: 4 entities (AWS, GCP, Azure, Terraform, CloudWatch), 0 concepts (已有 Agentic AI)
+
+## [2026-04-15] ingest | Multi-Agent System Reliability
+- [Multi-Agent-System-Reliability](sources/Multi-Agent-System-Reliability.md)
+- Key claims: 4种架构模式提升多 Agent 可靠性：Hierarchy/Consensus/Adversarial Debate/Knock-out；LLM 不可靠必须被约束验证淘汰；停止拟人化 LLM
+- Created: 4 concepts (Multi-Agent Hierarchy/Consensus/Adversarial Debate/Knock-out), 1 entity (Alex Ewerlöf)
+
+## [2026-04-15] ingest | 如何写出完美的Prompt
+- [如何写出完美的Prompt（提示词）？](sources/如何写出完美的Prompt（提示词）？.md)
+- Key claims: Prompt = 人与AI协作协议；Prompt能力本质是结构化思维+精准表达；建立测试-反馈-优化闭环
+- Created: 3 concepts (结构化思维, 精准表达, Prompt工程)
+
+## [2026-04-15] ingest | RAG从入门到精通
+- [RAG从入门到精通系列1：基础RAG](sources/RAG从入门到精通系列1：基础RAG.md)
+- Key claims: RAG = Indexing-Retrieval-Generation 三阶段；Embedding Model Context Window 512~8192 token 需文档切分；LangChain 简化 RAG 管道构建
+- Created: 3 concepts (RAG, Embedding, 向量数据库)
+
+## [2026-04-15] ingest | YouTube RSS Feed
+- [How to Get the RSS Feed For Any YouTube Channel](sources/How to Get the RSS Feed For Any YouTube Channel.md)
+- Key claims: 通过 View Page Source 搜索 channel_id= 可获取 RSS Feed URL；无需第三方服务
+- Created: 1 concept (RSS Feed)
+
+## [2026-04-15] ingest | Nano Banana 提示词框架
+- [Nano-Banana-提示词框架](sources/Nano-Banana-提示词框架.md)
+- Key claims: 9层结构化字段（Shot/Subject/Environment/Lighting/Camera/ColorGrade/Style/Quality/Negatives）；negatives 是质量控制关键；camera 字段提供电影级构图控制
+- Created: 1 concept (Nano Banana), 1 entity (Google)
+
+## [2026-04-15] ingest | Claude Code 调用方法总结
+- [Claude-Code调用方法总结](sources/Claude-Code调用方法总结.md)
+- Key claims: Print Mode = stdin 管道非交互模式（推荐）；bypassPermissions 跳过所有确认；--add-dir 自动激活 SKILL；delegate_task 无法建立外部 CLI 通道
+- Created: 2 concepts (Print Mode, Skill加载), 2 entities (Claude Code, Hermes)
+
+## [2026-04-15] ingest | 万字讲透OpenClaw Workspace
+- [万字讲透OpenClaw-Workspace深度解析](sources/万字讲透OpenClaw-Workspace深度解析.md)
+- Key claims: AGENTS.md 300-500字最佳；SOUL vs IDENTITY 分工明确；TOOLS.md 核心是"什么时候不用"；memory/ 是真正长期记忆；7个核心文件配合实现可预期性
+- Created: 7 concepts (Workspace, AGENTS.md, SOUL.md, USER.md, TOOLS.md, IDENTITY.md, BOOTSTRAP.md), 2 entities (OpenClaw, DracoVibeCoding)
+
+## [2026-04-15] ingest | 使用Claude自动生成N8N工作流
+- [使用Claude自动生成N8N工作流的实操教程](sources/使用Claude自动生成N8N工作流的实操教程.md)
+- Key claims: n8n-mcp 提供 543 节点结构化访问；Claude 自动生成工作流完成度 80%-90%；Opensea 模型 + extended thinking 提升质量
+- Created: 4 entities (n8n-mcp, czlonkowski, Claude, n8n), 1 concept (AI工作流自动生成)
+
+## [2026-04-15] ingest | MCP在Cursor中的集成与应用
+- [MCP在Cursor中的集成与应用详解](sources/MCP在Cursor中的集成与应用详解.md)
+- Key claims: MCP 3种核心接口（GET/POST/Promise）；Cursor 支持 SSE 和 Command 两种接入方式；Agent 模式自动执行工具链；Sequential Thinking 分步推理
+- Created: 4 entities (Composer, Sequential Thinking, Cursor, MCP), 3 concepts (Agent模式, MCP工具链, MCP)
+
+## [2026-04-15] ingest | Google 5个Agent Skill设计模式
+- [Google-5个Agent-Skill设计模式-2026-03-19](sources/Google-5个Agent-Skill设计模式-2026-03-19.md)
+- Key claims: 5种设计模式（Tool Wrapper/Generator/Reviewer/Inversion/Pipeline）；可组合使用；Anthropic：最好的 Skill 是工具箱而非提示词
+- Created: 1 entity (Google), 10 concepts (Agent Skill设计模式, Tool Wrapper, Generator, Reviewer, Inversion, Pipeline, 渐进式披露, etc.)

wiki/overview.md

@@ -84,3 +84,142 @@ DevOps 建立在四大支柱之上：协作优先于孤岛、自动化即赋能
 - AI/ML 赋能 DevOps（代码审查智能自动化、异常检测、自愈基础设施）
 - [[Serverless DevOps]]：FaaS 减少运维开销
 - [[Edge Computing DevOps]]：边缘节点实时应用优化
+
+## 新增领域：Nano Banana 结构化提示词框架
+
+Google Nano Banana 是图像生成提示词的结构化框架，通过 9 个标准化字段（Shot/Subject/Environment/Lighting/Camera/ColorGrade/Style/Quality/Negatives）将创意描述转化为机器可执行参数。
+
+### 关键机制
+- negatives（负向提示词）是质量控制关键字段
+- camera 字段提供电影级构图控制（焦距/光圈/角度）
+- 物件描述框架与人物描述框架共用同一结构，subject 字段内容不同
+
+### 关键概念
+- [[Nano Banana]]：Google 发布的结构化图像提示词框架
+- [[负向提示词]]：明确排除不需要的特征
+
+## 新增领域：Claude + n8n-mcp AI 工作流自动生成
+
+Claude 与 n8n-mcp 结合，通过自然语言直接生成 n8n 工作流，降低自动化门槛。
+
+### 核心机制
+- [[n8n-mcp]]：提供 543 个 n8n 节点的结构化访问，271 个 AI 能力节点
+- Claude 自动生成工作流完成度约 80%-90%，10%-20% 错误率需人工修正
+- 选择 Opensea 模型并开启 extended thinking 可显著提升生成质量
+
+### 关键能力
+- [[AI工作流自动生成]]：自然语言→工作流代码
+- [[n8n-mcp]]：AI 与 n8n 的 MCP 协议桥接
+
+## 新增领域：MCP 在 Cursor 中的集成
+
+MCP 协议为 Cursor 提供与大模型外围服务的高效集成能力。
+
+### 核心机制
+- [[MCP]]：Client-Server 架构，3 种接口（资源读取/工具调用/Promise 提示词）
+- [[Composer]]：Cursor 对话模块，支持 Agent 模式和 Normal 模式
+- [[Agent模式]]：自动执行 MCP 工具链，减少手动操作
+- [[Sequential Thinking]]：逻辑推理分步工具，提升 AI 决策质量
+
+### 关键区分
+- Agent 模式：工具链自动串联
+- Normal 模式：需手动复制命令
+- enable yolo mode：风险高，默认关闭
+
+## 新增领域：Google 5 种 Agent Skill 设计模式
+
+Google Cloud 发布的 Skill 内容结构化设计模式，解决 SKILL.md 格式标准化后执行效果差异大的问题。
+
+### 5 种模式
+- [[Tool Wrapper]]：监听关键词动态加载规范文档，适合团队编码规范分发
+- [[Generator]]：通过"填空"流程强制一致输出格式
+- [[Reviewer]]：分离检查清单与检查逻辑，换清单即换审计类型
+- [[Inversion]]：agent 先问你再做，逐阶段收集信息
+- [[Pipeline]]：带硬性检查点的严格顺序工作流
+
+### Anthropic 补充
+- 最好的 Skill = 工具箱，而非"写好的提示词"
+- 写 Skill 三条铁律：只写 Agent 不知道的、重点写踩坑清单、给工具不给指令
+- 5 种模式可组合（Pipeline 包含 Reviewer、Generator 依赖 Inversion）
+
+### 关键能力
+- [[渐进式披露]]：ADK 机制，agent 只在需要时才加载特定 token
+
+## 新增领域：Claude Code 调用模式
+
+OpenClaw/Hermes 通过 terminal 工具调用 Claude Code，两种核心模式满足不同场景需求。
+
+### 关键机制
+- [[Print Mode]]：stdin 管道非交互模式，适合绝大多数编程任务
+- [[TMUX交互模式]]：tmux session 交互模式，适合超长任务
+- `--permission-mode bypassPermissions` 跳过所有交互确认，是自动化调用的必要条件
+- `--add-dir` 自动扫描 SKILL.md 并在触发条件匹配时激活
+
+### 关键区分
+- delegate_task 仅调用 Hermes 子 agent，无法建立 Claude Code CLI 通道
+- Skill 调用必须使用 terminal + claude -p
+
+## 新增领域：LLM 核心术语与技术框架
+
+LLM 技术栈从模型到应用形成完整体系，涵盖参数规模基准、工具调用协议、推理优化等多个维度。
+
+### 核心概念
+- [[LLM]]：≥1B 参数的语言模型为"大模型"门槛，GPT-2（1.5B）、GPT-3（175B）
+- [[MCP]]：Model Context Protocol，LLM 与外部工具的标准化通信协议
+- [[Agent]]：大模型 + MCP 工具整合后实现实际任务执行，大模型仅输出步骤，执行需依赖 MCP
+- [[RAG]]：Retrieval-augmented generation，通过检索增强解决幻觉问题（考试正确率 60%→90%）
+- [[Embedding]]：向量化，将词转化为浮点数字计算语义距离
+- [[vLLM]]：通过 PagedAttention（块式 KV Cache）和连续批处理优化 GPU 利用率
+- [[Token]]：LLM 基本输入单元，中文约 0.6 token/字符，英文约 0.3 token/字符
+- [[数据蒸馏]]：用大模型生成精简数据训练小模型
+
+### 关键洞察
+- MCP 协议核心约束：大模型不执行实际调用，只给出步骤建议
+- vLLM 推理优化：PagedAttention 避免内存碎片化，连续批处理减少头阻塞
+
+## 新增领域：Vibe Coding 氛围编程
+
+Vibe Coding = 规划驱动 + 上下文固定 + AI 结对执行，让想法到可维护代码成为可审计流水线。
+
+### 核心方法论
+- 开发者从"写代码的人"转变为"指挥 AI 写代码的导演"
+- 保持对产品逻辑、用户流程、审美和交互的"感觉"
+- 规划是一切：技术选型、实施规划、模块化设计
+- AI 工具（Cursor、Windsurf、Trae）承担体力活
+
+### 推荐资源
+- [[vibe-coding-cn]]：中文开发者 Vibe Coding 资源库与工作站
+- Cursor + claude-opus-4.5-xhigh 为推荐工具组合
+
+## 新增领域：Agentic AI 赋能 Cloud DevOps
+
+Agentic AI 将传统响应式 DevOps 转变为预测性、自动化运维。
+
+### 七大应用场景
+1. 自主检测与修复：K8s、数据库、存储异常自动修复（MTTR 降低）
+2. 智能 IaC 管理：审查 Terraform、CloudFormation、Pulumi 脚本
+3. 成本优化：动态扩展、Spot/Reserved 实例优化（夜间负载转移降低 40% 成本）
+4. 安全合规：IAM 策略扫描、容器漏洞检测、实时修复
+5. 日志分析与可观测性：AI 驱动的根因分析
+6. 多租户 SaaS 管理：自动化创建、配置、归档租户
+7. AI 增强决策：What-If 模拟、异常检测
+
+### 关键能力
+- [[Self-Healing Systems]]：自愈系统，异常检测 + 自动修复
+- [[Multi-Cloud Governance]]：跨 AWS/GCP/Azure 多云治理
+
+## 新增领域：OpenClaw Workspace 架构
+
+OpenClaw workspace 文件体系通过 7 个核心文件实现 Agent 的可预期性和一致性。
+
+### 核心文件
+- [[AGENTS.md]]：岗位职责说明书（300-500 字最佳），定义边界而非仅列能力
+- [[SOUL.md]]：性格档案（叙事性角色设定），与 IDENTITY.md 分工明确
+- [[USER.md]]：用户偏好固化，减少重复交代
+- [[TOOLS.md]]：工具权限规范，核心是"什么时候不用"
+- [[IDENTITY.md]]：结构化身份元数据（Name/Creature/Vibe/Emoji/Avatar）
+- [[BOOTSTRAP.md]]：一次性初始化引导，完成后删除
+- [[长期记忆]]：memory/ 目录，Agent 跨会话保留重要信息
+
+### 核心价值
+从"每次重新 onboarding"转变为"记得上下文、偏好和历史"的长期搭档。

wiki/sources/Claude-Code调用方法总结.md

@@ -0,0 +1,43 @@
+---
+title: "Claude Code 调用方法总结"
+type: source
+tags: [ClaudeCode, OpenClaw, AI编程]
+date: 2026-03-29
+---
+
+## Source File
+- [[raw/Agent/claude-code调用方法总结.md]]
+
+## Summary
+- 核心主题：OpenClaw/Hermes 系统中 terminal 工具调用 Claude Code 的两种核心模式
+- 问题域：如何可靠地将复杂编程任务委托给 Claude Code 执行，避免权限阻塞和超时问题
+- 方法/机制：Print Mode（stdin 管道非交互模式）与 TMUX 交互模式对比，关键参数 bypassPermissions/max-turns
+- 结论/价值：terminal 调用 claude -p 是调用 Claude Code 技能的唯一正确方式，delegate_task 无法激活外部 CLI
+
+## Key Claims
+- Print Mode 通过 stdin 管道传递任务文本，避免特殊字符 shell 转义问题
+- `--permission-mode bypassPermissions` 跳过所有交互确认，比 `--dangerously-skip-permissions` 更可靠
+- `--add-dir <路径>` 自动扫描目标目录下的 SKILL.md 并在匹配条件时自动激活
+- `--max-turns 25-30` 是复杂任务的合理阈值，过小会导致任务未完成就超时
+- delegate_task 只能调用 Hermes 子 agent，无法建立外部 Claude Code CLI 通道
+
+## Key Quotes
+> "当任务需要调用 Claude Code 的 skill（如 fireworks-tech-graph）时，应使用 terminal 调用 claude -p，而非 delegate_task。" — 核心结论
+
+## Key Concepts
+- [[Print Mode]]：Claude Code 非交互单次执行模式，通过 stdin 管道传递任务，适合绝大多数编程任务
+- [[TMUX交互模式]]：Claude Code 长时间交互模式，通过 tmux session 保持进程，适合超长任务
+- [[Skill加载]]：Claude Code 通过 `--add-dir` 扫描目录下的 SKILL.md 并在触发条件匹配时自动激活
+- [[权限绕过]]：bypassPermissions 参数跳过所有交互确认，是自动化调用 Claude Code 的必要条件
+
+## Key Entities
+- [[Claude Code]]：Anthropic 官方 CLI 编程工具，支持 skill 扩展
+- [[Hermes]]：OpenClaw 中调用外部 CLI 工具的组件，通过 terminal 工具触发
+
+## Connections
+- [[Claude Code]] ← 被调用方 ← [[Print Mode]]
+- [[Claude Code]] ← 被调用方 ← [[TMUX交互模式]]
+- [[Skill加载]] ← 作用于 ← [[Claude Code]]
+- [[Print Mode]] ← 替代方案 ← [[TMUX交互模式]]
+
+## Contradictions

wiki/sources/Designing-for-Agentic-AI.md

@@ -0,0 +1,37 @@
+---
+title: "Designing for Agentic AI"
+type: source
+tags: [ai-agent, ux-design, agentic-ai]
+date: 2025-03-02
+---
+
+## Source File
+- [[raw/AI/Designing for Agentic AI.md]]
+
+## Summary
+- 核心主题：Agentic AI（智能体AI）与 GenAI 的区别，以及为 Agentic AI 设计用户体验的最佳实践
+- 问题域：传统 UI 范式无法适配具有主动行动能力的 AI Agent，需要新的设计框架
+- 方法/机制：5条核心设计原则：透明度（Transparency）、控制感（Control）、个性化（Personalization）、对话（Conversation）、预判（Anticipation）
+- 结论/价值：用户不应被动，AI 决策过程本身就是一种交互形式，设计重点从"响应操作"转向"实时反馈"
+
+## Key Claims
+- Agentic AI 核心特征是行动导向：与环境交互、决策、预判用户需求，而非仅生成内容
+- GenAI 与 Agentic AI 的本质差异：前者是"创意助手"，后者是"行动代理"
+- Agentic AI 重新定义产品设计：用户通过观察 AI 决策过程参与交互，而非传统点击操作
+- 设计原则同等重要：透明度、控制感、个性化、对话、预判，缺一不可
+
+## Key Quotes
+> "Instead of just reacting to user actions, we're crafting experiences that provide live feedback as the AI operates." — Yuri Pessa
+
+## Key Concepts
+- [[Agentic-AI]]：能感知环境、做出决策、预判需求并自主行动的 AI 系统
+- [[GenAI]]：生成式 AI，擅长创作内容（文本、图片、音乐），本质是被动响应
+- [[AI-Agent-设计原则]]：透明度、控制感、个性化、对话、预判
+
+## Key Entities
+- [[Yuri-Pessa]]：LinkedIn 文章作者，AI 产品设计研究者
+
+## Connections
+- [[LLM]] ← 基础 ← [[Agentic-AI]]
+- [[RAG]] ← 支撑 ← [[Agentic-AI]]
+- [[Agentic-AI]] ← 扩展 ← [[GenAI]]

wiki/sources/GitHub-Vibe-Coding-神级指南.md

@@ -0,0 +1,51 @@
+---
+title: "GitHub 上 5000 人收藏的 Vibe Coding 神级指南"
+type: source
+tags: [vibe-coding, ai, github]
+date: 2025-12-30
+---
+
+## Source File
+- [[raw/AI/GitHub 上 5000 人收藏的 Vibe Coding 神级指南。.md]]
+
+## Summary
+- 核心主题：Vibe Coding 氛围编程的方法论与资源汇总
+- 问题域：中文开发者如何利用 AI 工具高效完成软件开发
+- 方法/机制：规划驱动 + 上下文固定 + AI 结对执行，将想法到可维护代码变为可审计流水线
+- 结论/价值：Vibe Coding 不是放弃代码，而是从"写代码的人"转变为"指挥 AI 写代码的导演"
+
+## Key Claims
+- Vibe Coding = 规划驱动 + 上下文固定 + AI 结对执行
+- 开发者从"苦哈哈写每一行代码"转变为"保持对产品逻辑、用户流程、审美和交互的感觉"
+- AI 编程工具（Cursor、Windsurf、Trae）承担体力活，开发者做导演
+- 规划是一切：技术选型、实施规划、模块化设计，防止 AI 理解偏差导致项目逻辑混乱
+- 推荐组合：Cursor + claude-opus-4.5-xhigh
+
+## Key Quotes
+> "我几乎不写代码了，我只负责调整氛围（Vibe），代码会自动长出来。" — Karpathy 对 Vibe Coding 的描述
+> "Vibe Coding 让『从想法到可维护代码』变成一条可审计的流水线，而不是一团无法迭代的巨石文件。" — vibe-coding-cn 项目定义
+
+## Key Concepts
+- [[Vibe Coding]]：氛围编程，开发者化身为导演，AI 工具承担体力活
+- [[AI编程]]：使用 AI 工具辅助软件开发
+- [[Prompt工程]]：优化提示词提升 AI 输出质量
+
+## Key Entities
+- [[Cursor]]：AI 编程 IDE
+- [[Windsurf]]：AI 编程 IDE
+- [[Trae]]：AI 编程 IDE
+- [[vibe-coding-cn]]：中文 Vibe Coding 指南开源项目（github.com/tukuaiai/vibe-coding-cn）
+- [[Karpathy]]：AI 研究者，提出 Vibe Coding 概念
+
+## Connections
+- [[Vibe Coding]] ← 属于 ← [[AI编程]]
+- [[Vibe Coding]] ← 工具支撑 ← [[Cursor]]
+- [[Vibe Coding]] ← 工具支撑 ← [[Windsurf]]
+- [[Vibe Coding]] ← 资源库 ← [[vibe-coding-cn]]
+- [[AI编程]] ← 演进自 ← [[Prompt工程]]
+
+## Contradictions
+- 与 [[Claude-Code调用方法总结]] 潜在冲突：
+  - 冲突点：AI 编程工具的选择与使用模式
+  - 当前观点：推荐 Cursor + claude-opus-4.5-xhigh
+  - 对方观点：强调 Claude Code CLI 作为主要 AI 编程工具

wiki/sources/Google-5个Agent-Skill设计模式-2026-03-19.md

@@ -0,0 +1,50 @@
+---
+title: "Google 5个Agent Skill设计模式"
+type: source
+tags: [agent-skill, design-pattern, google, anthropic]
+date: 2026-03-19
+---
+
+## Source File
+- [[raw/Agent/Google-5个Agent-Skill设计模式-2026-03-19.md]]
+
+## Summary
+- 核心主题：Google 发布的 5 种经过验证的 Agent Skill 设计模式，帮助开发者构建真正可靠的 agent 系统
+- 问题域：SKILL.md 格式标准化后，执行效果仍天差地别，问题出在内容设计而非格式
+- 方法/机制：5 种设计模式（Tool Wrapper/Generator/Reviewer/Inversion/Pipeline）各有适用场景，可组合使用
+- 结论/价值：把工作流拆分、应用正确结构模式，比把所有复杂指令塞进 system prompt 更可靠
+
+## Key Claims
+- Tool Wrapper 模式：监听特定关键词动态加载规范文档，适合分发团队内部编码规范
+- Generator 模式：通过"填空"流程强制一致的输出格式，适合标准化文档生成
+- Reviewer 模式：把"检查什么"和"怎么检查"完全分开，换清单即可切换审计类型
+- Inversion 模式：agent 先问你再做，通过明确不可协商的门控指令逐阶段收集信息
+- Pipeline 模式：带硬性检查点的严格顺序工作流，确保复杂任务无法跳过步骤
+- 5 种模式可以组合使用，Pipeline 可包含 Reviewer 步骤，Generator 可依赖 Inversion 收集变量
+
+## Key Quotes
+> "别再把所有复杂又脆弱的指令塞进一个system prompt了。把工作流拆分，应用正确的结构模式，才能构建出真正可靠的agent。" — Google 指南总结
+
+> "Anthropic 把内部几百个 Skills 用了个遍，发现最好的 Skill 不是写得好的提示词，而是一个「工具箱」。" — Anthropic 经验总结
+
+## Key Concepts
+- [[Agent Skill 设计模式]]：Google 发布的 5 种 Skill 内容结构化设计模式
+- [[Tool Wrapper]]：监听关键词动态加载规范文档的 Skill 模式
+- [[Generator]]：通过填空流程强制一致输出格式的 Skill 模式
+- [[Reviewer]]：分离检查清单与检查逻辑的 Skill 模式
+- [[Inversion]]：先收集用户信息再执行的 Skill 模式
+- [[Pipeline]]：带硬性检查点的顺序工作流 Skill 模式
+- [[渐进式披露]]：ADK 机制，agent 只在需要时才加载特定模式的 token
+
+## Key Entities
+- [[Google]]：发布 5 种 Agent Skill 设计模式的云平台厂商
+- [[Anthropic]]：Claude 开发商，Skill 实践经验总结方
+
+## Connections
+- [[Agent Skill 设计模式]] ← 来源 ← [[Google]]
+- [[Claude-Skills-研究范式]] ← 关联 ← [[Google-5个Agent-Skill设计模式-2026-03-19]]
+- [[Tool Wrapper]] ← 适用于 ← [[AI技能封装]]
+- [[Pipeline]] ← 包含 ← [[Reviewer]]（可组合）
+
+## Contradictions
+- 与 [[Claude-Skills-研究范式]] 侧重点不同：本文强调"模式结构"，原文强调"经验封装为 SOP"

wiki/sources/How to Get the RSS Feed For Any YouTube Channel.md

@@ -0,0 +1,28 @@
+---
+title: "How to Get the RSS Feed For Any YouTube Channel"
+type: source
+tags: [youtube, rss, 工具教程]
+sources: ["https://chuck.is/yt-rss/"]
+last_updated: 2026-04-15
+---
+
+## Source File
+- [[raw/AI/How to Get the RSS Feed For Any YouTube Channel.md]]
+
+## Summary
+- 核心主题：通过 View Page Source 获取 YouTube 频道 RSS Feed 的方法
+- 问题域：YouTube 移除了 RSS 订阅按钮，用户无法直接获取频道 RSS 链接
+- 方法/机制：访问频道页 → 右键查看源代码 → 搜索 "channel_id=" → 提取 RSS Feed URL
+- 结论/价值：无需第三方服务即可获取 YouTube 频道 RSS Feed，用于 RSS 阅读器订阅
+
+## Key Claims
+- YouTube 移除了 RSS 订阅按钮以防止用户不访问网站获取内容
+- 通过 View Page Source 搜索 "channel_id=" 可获取 RSS Feed URL
+- RSS Feed 格式：https://www.youtube.com/feeds/videos.xml?channel_id={ID}
+
+## Key Concepts
+- [[RSS Feed]]：标准化的内容订阅格式
+- [[YouTube Channel ID]]：YouTube 频道的唯一标识符
+
+## Connections
+- [[YouTube]] ← 平台 ← [[RSS Feed]]

wiki/sources/How-Agentic-AI-for-Cloud-DevOps.md

@@ -0,0 +1,56 @@
+---
+title: "How Agentic AI can help for Cloud DevOps"
+type: source
+tags: [agentic-ai, devops, cloud]
+date: 2026-04-15
+---
+
+## Source File
+- [[raw/Cloud & DevOps/How Agentic AI can help for Cloud DevOps.md]]
+
+## Summary
+- 核心主题：Agentic AI 在云 DevOps 中的七大应用场景
+- 问题域：如何通过 AI 自动化提升云运维效率、降低成本、增强安全合规
+- 方法/机制：自主检测与修复、IaC 智能管理、AI 驱动安全审计、多租户自动化运维
+- 结论/价值：Agentic AI 将传统响应式 DevOps 转变为预测性、自动化运维
+
+## Key Claims
+- Agentic AI 可实现自愈系统，自动检测 K8s、数据库、存储异常并执行修复
+- AI 驱动的根因分析（RCA）可关联云监控日志跨层定位问题
+- Agentic AI 作为发布经理，可自动化蓝绿部署、金丝雀发布和回滚决策
+- 智能 IaC 管理：AI 代理审查 Terraform、CloudFormation、Pulumi 脚本
+- 成本优化：AI 持续分析资源使用趋势，动态扩展，Spot/Reserved 实例优化
+- 安全合规：自动扫描 IAM 策略、网络规则、容器漏洞，实时修复违规
+- 多租户管理：自动创建、配置、归档租户资源
+
+## Key Quotes
+> "Agentic AI transforms Cloud DevOps by automating incident response, cost management, security, observability, and multi-cloud governance." — 核心价值总结
+
+## Key Concepts
+- [[Agentic AI]]：能感知环境、决策、预判并自主行动的 AI 系统
+- [[Self-Healing Systems]]：自愈系统，Agentic AI 自动检测并修复异常
+- [[IaC]]：Infrastructure as Code，基础设施即代码
+- [[RCA]]：Root Cause Analysis，根因分析
+- [[Multi-Cloud Governance]]：多云治理
+
+## Key Entities
+- [[Kubernetes]]：K8s 集群管理（EKS、GKE、AKS）
+- [[AWS]]：Amazon Web Services
+- [[GCP]]：Google Cloud Platform
+- [[Azure]]：Microsoft Azure
+- [[Terraform]]：IaC 工具
+- [[CloudWatch]]：AWS 监控
+- [[Datadog]]：监控可观测性平台
+
+## Connections
+- [[Agentic AI]] ← 应用领域 ← [[DevOps]]
+- [[Agentic AI]] ← 增强场景 ← [[Self-Healing Systems]]
+- [[IaC]] ← 智能审查 ← [[Agentic AI]]
+- [[DevSecOps]] ← 安全增强 ← [[Agentic AI]]
+- [[Serverless DevOps]] ← 成本优化 ← [[Agentic AI]]
+
+## Contradictions
+- 与 [[DevOps核心理念]] 潜在冲突：
+  - 冲突点：DevOps 自动化边界
+  - 当前观点：Agentic AI 可完全自主执行修复和决策
+  - 对方观点：强调人机协作，AI 辅助而非完全自主

wiki/sources/LLMs-RAG-AI-Agent-三个到底什么区别.md

@@ -0,0 +1,34 @@
+---
+title: "LLMs、RAG、AI Agent 三个到底什么区别？"
+type: source
+tags: [llm, rag, ai-agent, 基础概念]
+date: 2025-11-19
+---
+
+## Source File
+- [[raw/AI/LLMs、RAG、AI Agent 三个到底什么区别？.md]]
+
+## Summary
+- 核心主题：LLM、RAG、AI Agent 三者的本质区别与层级关系
+- 问题域：大量 AI 应用开发者混淆三者用途，存在"竞争关系"的误解
+- 方法/机制：LLM = 思考大脑（推理）；RAG = 记忆系统（信息获取）；AI Agent = 行动循环（执行）
+- 结论/价值：三者并非竞争关系，而是在不同层面解决不同问题；生产级 AI 系统需三者协同：LLM 推理 + RAG 准确性 + Agent 自主性
+
+## Key Claims
+- LLM 是"天才大脑"：知识截至训练时间点，有幻觉问题，对实时信息无感知
+- RAG 是"随身图书馆助理"：解决 LLM 知识过时和幻觉问题，提供事实依据和来源引用
+- AI Agent 是"行动系统"：由感知→规划→执行→反思的循环构成，赋予 LLM 行动能力
+- 三者协同模式：LLM 负责思考，RAG 负责信息获取，Agent 负责编排执行
+
+## Key Concepts
+- [[LLM]]：大语言模型，AI 应用的"天才大脑"，擅长推理但缺乏实时知识
+- [[RAG]]：检索增强生成，为 LLM 提供外部知识库访问能力，消除幻觉
+- [[AI-Agent]]：智能体，围绕 LLM 构建的循环控制系统，赋予感知-规划-执行-反思能力
+- [[AI-Agent-循环]]：感知（Scanner）→ 思考（Reasoner）→ 行动（Actor）→ 观察（Observer）
+
+## Key Entities
+
+## Connections
+- [[LLM]] ← 基础 ← [[AI-Agent]]
+- [[RAG]] ← 信息层 ← [[AI-Agent]]
+- [[LLM]] + [[RAG]] + [[AI-Agent]] ← 三位一体 ← [[生产级AI系统]]

wiki/sources/MCP在Cursor中的集成与应用详解.md

@@ -0,0 +1,42 @@
+---
+title: "MCP在Cursor中的集成与应用详解"
+type: source
+tags: [mcp, cursor, ai-agent]
+date: 2026-04-14
+---
+
+## Source File
+- [[raw/Agent/MCP在Cursor中的集成与应用详解.md]]
+
+## Summary
+- 核心主题：MCP（Modal Context Protocol）在 Cursor AI 编程 IDE 中的集成方法与应用场景
+- 问题域：大模型与外围工具服务的高效集成交互问题
+- 方法/机制：MCP 基于 Client-Server 架构，通过资源访问、工具调用、提示词三种接口实现集成；Cursor 支持 SSE 服务方式和本地命令两种接入方式
+- 结论/价值：掌握 MCP 在 Cursor 中的集成可大幅提升 AI 编程的扩展能力
+
+## Key Claims
+- MCP 协议包含三种核心功能接口：资源读取（GET）、工具调用（POST）、Promise 提示词
+- Cursor 中 MCP Server 有两种接入方式：SSE 服务方式和本地命令（command）方式
+- Cursor Composer 的 Agent 模式可自动执行 MCP 工具链，Normal 模式需手动复制命令
+- Sequential Thinking 是 MCP 工具之一，通过逻辑推理分步拆解任务提升 AI 沟通效率
+
+## Key Quotes
+> "MCP是Modal Context Protocol的缩写，是一种基于Client-Server架构的协议，旨在实现大模型与外围服务的高效集成。" — 视频教程
+
+## Key Concepts
+- [[MCP]]：Modal Context Protocol，AI 大模型与外围工具的标准化 Client-Server 集成协议
+- [[Agent模式]]：Cursor Composer 中的自动执行模式，可自动调用 MCP 工具链
+- [[Sequential Thinking]]：MCP 工具之一，支持逻辑推理与分步执行任务
+- [[MCP工具链]]：多个 MCP 工具顺序调用形成完整工作流
+
+## Key Entities
+- [[Cursor]]：AI 编程 IDE，支持 MCP 集成
+- [[Composer]]：Cursor 中的对话构建模块，支持 Agent/Normal 两种模式
+
+## Connections
+- [[MCP在Cursor中的集成与应用详解]] ← 依赖 ← [[MCP]]
+- [[Cursor]] ← 支持 ← [[MCP]]
+- [[Sequential Thinking]] ← 是 ← [[MCP工具链]] 组件
+- [[Claude Code 调用方法总结]] ← 类似 ← [[MCP在Cursor中的集成与应用详解]]
+
+## Contradictions

wiki/sources/Multi-Agent-System-Reliability.md

@@ -0,0 +1,46 @@
+---
+title: "Multi-Agent System Reliability"
+type: source
+tags: [multi-agent, reliability, architecture, llm]
+date: 2026-04-13
+---
+
+## Source File
+- [[raw/AI/Multi-Agent System Reliability.md]]
+
+## Summary
+- 核心主题：4种架构模式提升多智能体系统可靠性
+- 问题域：LLM 本身不可靠（幻觉、逻辑谬误、上下文漂移），多智能体拓扑会将错误传播至系统失效
+- 方法/机制：Hierarchy（层级）、Consensus（共识）、Adversarial Debate（对抗辩论）、Knock-out（淘汰制）
+- 结论/价值：停止将 LLM 视为"魔法聊天机器人"，应视为分布式系统中不可靠组件，需约束、验证、淘汰、挑战
+
+## Key Claims
+- LLM 不能被拟人化：它不受生物需求驱动，无法真正"害怕"或"渴望"，仅模拟情感
+- Hierarchy 模式：Supervisor 做计划→分解任务→分配给 Worker→Validator 验证；依赖图强制协作
+- Consensus 模式：3个模型同时独立处理同一任务，选多数票结果；同类幻觉概率从20%降至0.8%
+- Adversarial Debate 模式：一个生成器提议，一个批评者攻击，一个裁判裁决；防止 Sycophancy（阿谀奉承）
+- Knock-out 模式：多个 Agent 执行任务，最差者淘汰；将 LLM 视为"cattle"而非"pet"
+
+## Key Quotes
+> "Stop treating LLMs like magic chatbots. Start treating them like unreliable components in a distributed system." — Alex Ewerlöf
+
+> "We don't need AI that 'cares.' We need AI that is constrained, verified, pruned, and challenged."
+
+## Key Concepts
+- [[Multi-Agent-Hierarchy]]：层级模式，Supervisor 规划 + Worker 执行 + Validator 验证
+- [[Multi-Agent-Consensus]]：共识模式，多数投票降低幻觉概率，3个模型相同谎言概率降至0.8%
+- [[Multi-Agent-Adversarial-Debate]]：对抗辩论模式，防止 Sycophancy，真理越辩越明
+- [[Multi-Agent-Knock-out]]：淘汰制模式，适应度函数评估，不合格 Agent 直接淘汰
+- [[LLM-可靠性工程]]：将 SRE 原则应用于 LLM 系统，视 LLM 为不可靠组件
+- [[Sycophancy]]：模型阿谀倾向，用威胁逼迫时可能撒谎以取悦用户
+
+## Key Entities
+- [[Alex-Ewerlof]]：作者，资深工程师，27年经验，SRE 背景，2023年起专注 LLM
+- [[遗传算法]]：GA，Knock-out 模式借鉴的经典 ML 方法
+
+## Connections
+- [[Multi-Agent-Hierarchy]] ← 人类组织 ← [[Multi-Agent-System-Reliability]]
+- [[Multi-Agent-Consensus]] ← 民主投票 ← [[Multi-Agent-System-Reliability]]
+- [[Multi-Agent-Adversarial-Debate]] ← 法庭对抗 ← [[Multi-Agent-System-Reliability]]
+- [[Multi-Agent-Knock-out]] ← 适者生存 ← [[Multi-Agent-System-Reliability]]
+- [[LLM]] ← 不可靠组件 ← [[Multi-Agent-System-Reliability]]

wiki/sources/Nano-Banana-提示词框架.md

@@ -0,0 +1,38 @@
+---
+title: "Nano Banana 提示词框架"
+type: source
+tags: [AI提示词, AI生图, Google]
+date: 2026-03-15
+---
+
+## Source File
+- [[raw/AI/Nano Banana 提示词框架.md]]
+
+## Summary
+- 核心主题：Google Nano Banana 图像生成提示词的结构化框架
+- 问题域：如何精确描述视觉内容以获得高质量 AI 生成图像
+- 方法/机制：Shot/Subject/Environment/Lighting/Camera/ColorGrade/Style/Quality/Negatives 9 层结构化字段
+- 结论/价值：将主观审美转化为机器可精确执行的结构化参数，降低 AI 生成不确定性
+
+## Key Claims
+- 物件描述与人物描述共用同一框架结构，仅 subject 字段内容不同
+- negatives（负向提示词）是质量控制的关键字段，必须明确排除不需要的特征
+- camera 字段（焦距/光圈/角度）提供电影级构图控制能力
+
+## Key Quotes
+> "Studio softbox lighting. A key light from the top-left creates clean, sharp reflections on the steel." — 硬光实例
+> "High contrast, clean and commercial look. Slightly desaturated to emphasize the metallic and monochrome textures." — 色调实例
+
+## Key Concepts
+- [[Nano Banana]]：Google 发布的结构化图像提示词框架，通过 9 个标准化字段将创意描述转化为机器可执行参数
+- [[Prompt工程]]：将主观创意转化为结构化提示词的过程，Nano Banana 是其具体实现
+- [[负向提示词]]（Negatives）：明确告知 AI 不应生成的内容，用于消除图像缺陷
+
+## Key Entities
+- [[Google]]：Nano Banana 框架的发布方
+
+## Connections
+- [[Nano Banana]] ← 应用于 ← [[AI生图]]
+- [[Prompt工程]] ← 支撑 ← [[Nano Banana]]
+
+## Contradictions

wiki/sources/RAG从入门到精通系列1：基础RAG.md

@@ -0,0 +1,49 @@
+---
+title: "RAG从入门到精通系列1：基础RAG"
+type: source
+tags: [rag, llm, retrieval-augmented-generation, 向量数据库]
+sources: ["https://mp.weixin.qq.com/s/TlFNOw7_3Q8qywKLpVUmfg"]
+last_updated: 2026-04-15
+---
+
+## Source File
+- [[raw/AI/RAG从入门到精通系列1：基础RAG.md]]
+
+## Summary
+- 核心主题：基础 RAG（检索增强生成）的技术原理与工程实践
+- 问题域：如何让 LLM 使用外部私有数据或最新数据
+- 方法/机制：Indexing（文档加载→切分→向量化→存入向量库）→ Retrieval（问题向量化→相似度检索）→ Generation（问题+知识片段→PromptTemplate→LLM生成）
+- 结论/价值：RAG 是连接 LLM 与外部数据源的通用方法，LangChain/LlamaIndex 等框架可简化管道构建
+
+## Key Claims
+- LLM 本身不具备特定任务相关的私有数据或最新数据
+- RAG 通过 Indexing-Retrieval-Generation 三阶段将外部数据连接到 LLM
+- Embedding Model 的 Context Window 有限（512~8192 token），需将文档切分成 Split
+- Vector Store 实现各种 Embedding Vector 相似度比较方法
+- LangChain/LlamaIndex 框架可简化检索与生成链路的串联
+
+## Key Concepts
+- [[RAG]]：检索增强生成，连接 LLM 与外部数据源的方法
+- [[Embedding]]：将文本转为固定长度数值向量，捕获语义信息
+- [[向量数据库]]：存储 Embedding Vector，实现相似度检索
+- [[Indexing]]：文档加载、文本切分、向量化、存入向量库的过程
+- [[Retrieval]]：根据问题语义向量检索相似知识片段
+- [[Generation]]：将问题+知识片段输入 LLM 生成答案
+- [[LangChain]]：LLM 应用开发框架，支持 RAG 管道构建
+- [[Token]]：模型处理文本的基本单位，英文3-4字母/中文1汉字 ≈ 1 token
+- [[Context Window]]：Embedding Model 能接受的最大 token 数，通常512~8192
+- [[Split/文档块]]：切分后的文档片段，满足 Embedding Model 长度限制
+
+## Key Entities
+- [[LangChain]]：LLM 应用开发框架
+- [[Qdrant]]：Rust 编写的开源向量数据库
+- [[BAAI]]：开源 Embedding Model 提供方（如 BGE 系列）
+
+## Connections
+- [[RAG]] ← 核心概念 ← [[LLM]]
+- [[Embedding]] ← 核心技术 ← [[RAG]]
+- [[向量数据库]] ← 存储层 ← [[RAG]]
+- [[Indexing]] ← 第一阶段 ← [[RAG]]
+- [[Retrieval]] ← 第二阶段 ← [[RAG]]
+- [[Generation]] ← 第三阶段 ← [[RAG]]
+- [[LLM]] ← 生成层 ← [[RAG]]

wiki/sources/万字讲透OpenClaw-Workspace深度解析.md

@@ -0,0 +1,51 @@
+---
+title: "万字讲透OpenClaw Workspace深度解析"
+type: source
+tags: [OpenClaw, Agent, Workspace, 架构]
+date: 2026-03-21
+---
+
+## Source File
+- [[raw/Agent/万字讲透OpenClaw-Workspace深度解析-2026-03-21.md]]
+
+## Summary
+- 核心主题：OpenClaw workspace 文件体系（AGENTS.md/SOUL.md/USER.md/TOOLS.md/IDENTITY.md/BOOTSTRAP.md）职责划分与最佳实践
+- 问题域：如何通过 workspace 文件让 Agent 从"能工作"变为"好用了"，消除每次会话的重复 onboarding
+- 方法/机制：workspace 文件分工（职责定义、性格叙事、用户偏好、工具规范、身份元数据、初始化引导）
+- 结论/价值：7 个核心文件配合构建 Agent 的可预期性，一致性建立信任，信任带来深度协作
+
+## Key Claims
+- AGENTS.md = 岗位说明书（功能），SOUL.md = 性格档案（人格），两者必须分离
+- AGENTS.md 最佳长度为 300-500 字，过长反而冲淡重点
+- SOUL.md 是叙事性角色设定，IDENTITY.md 是结构化元数据，两者分工明确
+- TOOLS.md 核心价值在于"什么时候不用"比"什么时候用"更重要
+- memory/ 目录是 Agent 真正的长期记忆载体，Markdown 文件本身是最终存储
+- BOOTSTRAP.md 是一次性初始化引导，完成后必须删除
+
+## Key Quotes
+> "一边的人，每次跟 Agent 说话都像重新 onboarding；另一边的人，Agent 已经知道自己是谁、该怎么说话、用户讨厌什么，也记得上次积累下来的东西。" — workspace 价值所在
+> "workspace 是 Agent 的工作台，agentDir 是 openclaw.json 里的配置字段，sessions 是工作日志。三者职责不同，不要混为一谈。" — 核心区分
+
+## Key Concepts
+- [[Workspace]]：OpenClaw 中 Agent 的工作台目录（~/.openclaw/workspace/），决定 Agent 怎么工作
+- [[AGENTS.md]]：Agent 岗位职责说明书，定义职责边界、场景触发、多 Agent 协调
+- [[SOUL.md]]：Agent 性格档案，叙事性角色设定，定义说话风格和价值观
+- [[USER.md]]：用户偏好固化文件，减少重复交代
+- [[TOOLS.md]]：工具权限声明与使用规范，核心是"什么时候不用"
+- [[IDENTITY.md]]：Agent 结构化身份元数据（Name/Creature/Vibe/Emoji/Avatar）
+- [[BOOTSTRAP.md]]：一次性初始化引导，完成后删除
+- [[长期记忆]]：memory/ 目录让 Agent 跨会话保留重要信息
+- [[Agent编排]]：多 Agent 协作通过 AGENTS.md 中的 spawn 规则实现
+
+## Key Entities
+- [[OpenClaw]]：AI Agent 框架，workspace 是其核心设计之一
+- [[DracoVibeCoding]]：本文作者，公众号 Draco正在VibeCoding
+
+## Connections
+- [[OpenClaw]] ← 包含 ← [[Workspace]]
+- [[Workspace]] ← 由 ← [[AGENTS.md]] + [[SOUL.md]] + [[USER.md]] + [[TOOLS.md]] + [[IDENTITY.md]] + [[BOOTSTRAP.md]] + [[长期记忆]]
+- [[SOUL.md]] ← 与 ← [[IDENTITY.md]] ← 分工 ← 性格叙事 vs 结构化元数据
+- [[AGENTS.md]] ← 协同 ← [[SOUL.md]] + [[USER.md]]
+- [[长期记忆]] ← 支撑 ← [[Workspace]]
+
+## Contradictions

wiki/sources/使用Claude自动生成N8N工作流的实操教程.md

@@ -0,0 +1,41 @@
+---
+title: "使用Claude自动生成N8N工作流的实操教程"
+type: source
+tags: [ai-agent, n8n, workflow-automation]
+date: 2026-04-14
+---
+
+## Source File
+- [[raw/Agent/使用Claude自动生成N8N工作流的实操教程.md]]
+
+## Summary
+- 核心主题：如何借助 Claude AI 助手自动生成 n8n 工作流，消除新手在架构设计和节点选择中的困惑
+- 问题域：n8n 工作流自动化工具的使用门槛高，节点选择和架构设计复杂
+- 方法/机制：n8n-mcp 项目将 543 个 n8n 节点结构化接入 Claude，通过自然语言提示词直接生成工作流
+- 结论/价值：Claude 能完成约 80%-90% 的工作流布局和逻辑，显著降低学习门槛
+
+## Key Claims
+- n8n-mcp 提供 543 个 n8n 节点的结构化访问，覆盖 99% 节点属性和 87% 官方文档
+- n8n-mcp 检测到 271 个 AI 能力节点，提供 2646 个预提取配置示例
+- Claude 自动生成工作流的完成度约 80%-90%，仍有 10%-20% 错误需人工修正
+- 选择 Opensea 模型并开启 extended thinking 可显著提升代码生成质量
+
+## Key Quotes
+> "n8n-MCP serves as a bridge between n8n's workflow automation platform and AI models, enabling them to understand and work with n8n nodes effectively." — n8n-mcp 官方描述
+
+## Key Concepts
+- [[n8n]]：开源工作流自动化工具，支持节点连接执行任务
+- [[n8n-mcp]]：连接 n8n 与 AI 模型的 MCP 服务器，提供 543 节点的结构化访问
+- [[AI工作流自动生成]]：通过自然语言描述需求，AI 自动设计并生成工作流代码
+
+## Key Entities
+- [[n8n]]：工作流自动化平台
+- [[Claude]]：AI 助手（Anthropic）
+- [[czlonkowski]]：n8n-mcp 项目作者
+
+## Connections
+- [[使用Claude自动生成N8N工作流的实操教程]] ← 依赖 ← [[Claude Code 调用方法总结]]
+- [[n8n]] ← 工具平台 ← [[n8n-mcp]]
+- [[n8n-mcp]] ← 基于 ← [[MCP]]
+
+## Contradictions

wiki/sources/大模型相关术语和框架总结.md

@@ -0,0 +1,59 @@
+---
+title: "大模型相关术语和框架总结"
+type: source
+tags: [llm, mcp, prompt, rag, token, vllm]
+date: 2025-12-20
+---
+
+## Source File
+- [[raw/AI/大模型相关术语和框架总结｜LLM、MCP、Prompt、RAG、vLLM、Token、数据蒸馏.md]]
+
+## Summary
+- 核心主题：大模型（LLM）核心术语与技术框架的科普性梳理
+- 问题域：大模型应用开发中的关键概念理解，包括 LLM、Agent、MCP、RAG、Embedding、LangChain、vLLM 等
+- 方法/机制：MCP 协议实现工具调用标准化；RAG 通过检索增强解决幻觉问题；vLLM 通过 PagedAttention 和连续批处理优化推理效率
+- 结论/价值：为开发者提供大模型技术栈的全景图，降低认知门槛
+
+## Key Claims
+- LLM 以参数规模衡量，≥1B 参数通常被视为大模型门槛
+- MCP 协议为 LLM 应用提供标准化接口，连接外部数据源和工具
+- 大模型仅输出步骤方法，不执行实际调用，需配合 MCP 才能实现真正自动化
+- RAG 通过检索增强将 LLM 考试正确率从 60% 提升至 90%
+- vLLM 通过 PagedAttention（块式 KV Cache）和连续批处理优化 GPU 利用率
+- Token 是 LLM 的基本输入单元，中文约 0.6 token/字符，英文约 0.3 token/字符
+- 数据蒸馏利用大模型生成精简数据，训练小模型逼近大模型效果
+
+## Key Quotes
+> "大模型是不会自己去调用外部数据源或者工具的，大模型只会告诉我们需要调用哪些工具，而我们需要自己去实现工具的调用。" — MCP 协议核心约束
+> "一百和两百的距离近，而一百离一千远，所以一百相比于一千，更接近两百这个语意。" — Embedding 语义距离含义
+
+## Key Concepts
+- [[LLM]]：Large Language Model，以参数规模衡量（≥1B 参数）
+- [[MCP]]：Model Context Protocol，LLM 与外部工具的标准化通信协议
+- [[Agent]]：智能体，大模型 + MCP 工具整合后实现实际任务执行
+- [[RAG]]：Retrieval-augmented generation，检索增强生成，解决幻觉问题
+- [[Embedding]]：向量化，将词转化为浮点数字以计算语义距离
+- [[LangChain]]：快速实现 Agent 的开发框架，提供 LLM 标准接口和工具集成
+- [[vLLM]]：虚拟大语言模型，通过 PagedAttention 和连续批处理优化推理效率
+- [[Token]]：LLM 的基本输入单元，中文约 0.6 token/字符
+- [[数据蒸馏]]：Data Distillation，用大模型生成精简数据训练小模型
+
+## Key Entities
+- [[DeepSeek]]：国产大模型代表（文中提及）
+- [[Manus]]：AI Agent 产品（文中提及）
+- [[GPT-2]]：1.5B 参数早期语言模型
+- [[GPT-3]]：175B 参数大模型
+
+## Connections
+- [[LLM]] ← 基础层 ← [[MCP]]
+- [[MCP]] ← 扩展能力 ← [[Agent]]
+- [[RAG]] ← 解决幻觉 ← [[LLM]]
+- [[Embedding]] ← 向量化基础 ← [[RAG]]
+- [[LangChain]] ← 开发框架 ← [[Agent]]
+- [[vLLM]] ← 推理优化 ← [[LLM]]
+
+## Contradictions
+- 与 [[LLMs-RAG-AI-Agent-三个到底什么区别]] 冲突：
+  - 冲突点：RAG 与 Agent 的边界定义
+  - 当前观点：本文将 Agent 定义为大模型+MCP，RAG 作为独立增强机制
+  - 对方观点：另一文强调 LLM/RAG/Agent 是层级递进关系

wiki/sources/如何写出完美的Prompt（提示词）？.md

@@ -0,0 +1,50 @@
+---
+title: "如何写出完美的Prompt（提示词）？"
+type: source
+tags: [prompt-engineering, llm, 提示词工程]
+sources: ["https://mp.weixin.qq.com/s/sl2MuDpW9mawh2axLuGxNw"]
+last_updated: 2026-04-15
+---
+
+## Source File
+- [[raw/AI/如何写出完美的Prompt（提示词）？.md]]
+
+## Summary
+- 核心主题：结构化 Prompt 构建方法论与职场能力培养
+- 问题域：LLM 使用场景下的有效人机协作协议设计
+- 方法/机制：角色-需求-场景-目标四要素法、需求拆解法、上下文补全法、格式定义法、示例引导法；进阶策略含思维链引导、任务拆分、角色赋能、预填回复、不确定性管理；高阶技巧含跨模态联动、领域知识注入、反馈循环嵌入
+- 结论/价值：Prompt 能力本质是结构化思维+精准表达；是职场底层能力，决定 AI 使用效果
+
+## Key Claims
+- Prompt = 人与 AI 的协作协议，而非简单指令输入
+- Prompt 能力本质是有对问题清晰界定的能力 + 结构化的思维逻辑和表达能力
+- LLM 没有行业常识也没有默认设定，隐性需求必须显式表达
+- Prompt 优化过程本质是需求逐步清晰化的过程
+- 高效使用 AI 需要建立测试-反馈-优化的闭环
+- 技巧选择需按需求复杂度匹配，简单任务用基础技巧，复杂任务用进阶策略
+
+## Key Quotes
+> "Prompt能力的本质是要求使用者具备：需求拆解能力、结构化表达能力、场景共情能力、迭代优化能力" — 核心能力框架
+> "在工作中，如果对方无法用简洁易懂的语言表达核心要旨或需求，基本上你就可以认定这人的工作能力一般" — 职场识人标准
+
+## Key Concepts
+- [[结构化思维]]：将模糊目标拆解为具体、可执行的子任务
+- [[精准表达]]：用清晰逻辑组织信息，让 AI 快速抓取核心
+- [[需求拆解]]：动词+对象+约束的 Prompt 构建模式
+- [[上下文补全]]：提供 AI 所需的业务背景、约束条件、参考信息
+- [[格式定义]]：提前定义输出结构与呈现形式
+- [[示例引导]]：用少量样本提示解决风格/格式难题
+- [[思维链引导]]：让 AI 按逻辑逐步推理，避免输出片面或跳跃
+- [[任务拆分法]]：将复杂任务拆解为信息收集→分析→输出→优化多环节
+- [[角色赋能]]：给 AI 设定具体角色+行业经验+核心能力引导专业视角
+- [[预填回复]]：强制输出结构化格式（如 JSON）避免冗余
+- [[不确定性管理]]：明确告知"不知道就标注，不编造"提升可信度
+
+## Key Entities
+- [[Anthropic]]：发布的 Claude 模型驱动 AI 生态发展
+
+## Connections
+- [[结构化思维]] ← 基础 ← [[精准表达]]
+- [[需求拆解]] ← 核心技能 ← [[结构化思维]]
+- [[LLM]] ← 技术基础 ← [[Prompt能力]]
+- [[AI技能封装]] ← 相关领域 ← [[Prompt能力]]