Auto-sync

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