Clawdbot 架构全解：一个“永远在线”的 Agent 系统是如何工作的如果你想部署或体验 Clawdbot，可以先参考我的博客：👉 GitHub 两周 100k Star：聊聊最近火出圈的 Moltbot (原 Clawdbot) 这篇文章不讲安装命令，而是从系统设计和工程实现的角度，完整拆解 Clawdbot 是如何构建一个「多 Agent、跨设备、具备长期记忆和主动行为能力」的 AI

首先做一个总结： 📊 常见向量索引算法与底层库对比表 类别 名称 核心原理 优势 (Pros) 劣势 (Cons) 适用场景 算法 IVF 聚类分区：利用 K-Means 将空间划分为小区，搜索时只扫描邻近区域。 内存占用低，索引速度快。 搜索精度受限于聚类边界。 中大规模数据的平衡选型。 算法 HNSW 分层图网络：构建多层“小世界”导航图，通过层级跳跃快速逼近目标。 性能巅峰，

本文能够解决：1.快速读懂什么是RAG？ 2.了解 RAG 中会用到的技术：分块、向量化、向量数据库、索引 1. 检索增强生成 (RAG) 是什么？在学习一个新知识，我们首先要理解这个这个东西的本质是什么。 RAG 检索增强生成（Retrieval Augmented Generat）本质上是一个结合了检索和生成两个任务的 LLM 框架。 该框架由两部分构成：向量数据库检索和 LLM 生成。 我们

1. 什么是 Vanna.ai？Vanna.ai 是一个基于 LLM 的数据查询工具，可以快速查询数据库，并生成 SQL 查询语句。它的核心是基于 LLM 的数据查询工具，可以快速查询数据库，并生成 SQL 查询语句。它的优势在于，可以将表结构、已经有过的查询语句、文档等等存在一个向量式数据库。等到用户查询的时候，根据用户的查询语句，从数据库中提取出相关的信息，拼入 prompt 中交给 LLM,

今天我们来聊一聊：“好的数据”对于 LLM 到底有什么用？ 大家都知道数据是大模型的基础，质量决定效果。但随着 AI 卷得越来越厉害，算法同学的作用似乎越来越大，反观我们做数据的，作用好像慢慢被弱化了。 现在的痛点很真实：Java/SQL 写不过 AI，业务理解干不过数分。那我们数据人还能干什么呢？ 其实 AI 跑得再快，现在也慢慢碰到“数据天花板”了。很多企业现在的瓶颈不再是“算力不够

1. 一句话说明：期权买方：花钱购买未来以固定价格买某样东西的权利 卖房：拿钱，但是必须在未来把某样资产以固定价格卖给买方 2. 举个例子：现在股票A是100元一股，你有1000元，你如果直接买的话，只能买10股，假设未来三个月股票涨到150元，一共赚了$50*10=500$元。 如果用期权，假设一股的权利金是10元，你可以购买100股的期权。这个期权决定了，在未来三个月，你可以用110

今晚沉浸于《WhynotTV》何泰然与翁家翌的深度对话，仿佛目睹两颗清华星辰的碰撞。他们的思维密度与认知高度，令我这样的普通听众唯有仰望的份。 虽非算法领域从业者，但我对翁家翌在开源世界的贡献怀有深深的敬意。正是这些先行者留下的开源项目与经验沉淀，为无数像我这样非科班、非名校出身的探索者，点亮了前行的微光。 这期播客最触动我的，是翁家翌那套清晰而稳固的个人评价体系。他很早就构建了一套内在的坐标系，

Agent Skills：大模型能力的渐进式封装与按需加载1. 前置：什么是 MCP？MCP（Model Context Protocol，模型上下文协议）本质上是一个大模型调用工具的协议标准，相当于一套通用的口令去调用大模型。 简单来说，MCP 是一个对于被调用工具和 LLM 来说都简化了的调用口令。LLM 之前调用工具需要生成一串很长的 Token 作为 API 调用接口，再由专门的代码去解析

解决了一个小问题：hexo上传的时候出现两个问题： 只有标题没有内容 首页的tag里边显示是example/// 因为在_config.yml还没有设定 1234# URL## Set your site url here. For example, if you use GitHub Page, set url as 'https://username

番茄钟（Pomodoro Technique）是由 Francesco Cirillo 在 1980 年代提出的一种时间管理方法：将工作划分为 25 分钟的专注时段（称为一个“番茄”），之后休息 5 分钟；每完成四个番茄，进行一次 15–30 分钟的长休息。其核心理念是通过「专注 + 休息」的循环，提升效率、减少分心、避免疲劳，尤其适合容易走神、希望培养专注力的人。 我一直用番茄钟训练自己的专注力