Auto-sync

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]]