个人网页

当前，AI 的自动化「实现能力」正在迅速增强，代码生成、逻辑补全、测试构建，已经不再是主要瓶颈

目前真正决定效率上限的，正在变成：我们是否能够清晰地定义任务、边界和验收标准

当这些被完整定义后，AI 就可以自动完成实现、验证与修复，直至满足规格约束

这场变化不再是工具升级，而是工程能力结构的迁移。而规范驱动开发，正是这种迁移的实践形式

在工程讨论中，一旦提到「大模型应用开发」，立即就会出现一大堆的概念：LangChain / LangGraph、Agent Loop、Tool Calling、Memory 管理、Planning 策略、Orchestration 等等

但现实项目中，大量需求并没有复杂到需要构建运行时系统，很多场景只是希望可以封装一个能力、提供一个结构化的交互，同时可以被稳定复用

对于这类问题，更务实的路径是：不要从零构建 Agent，而是基于通用Agent 进行扩展 —— 通过编写Skills

本文将通过一个真实示例说明，如何仅通过定义一个 Skill，就实现一个完整可用的小型大模型应用

引言：那个熟悉的念头

在把一件事交给 AI 之前，我们心里往往有一个隐含期待：“它应该能帮我省点事”

但实际操作中，流程通常是：先解释背景，再说明目标，中途补充"之前没写清楚但很重要"的约束，等 AI 给出结果后，开始修改、校对、推翻重来。做到一半，一个念头会自然浮现：

“这件事，我是不是自己来反而更快？”

如果你有过这种感觉，先别急着怀疑 AI，也别急着怀疑自己。更可能的问题是：我们一开始就在问一个不太对的问题

Most best practices are based on one constraint: Claude’s context window fills up fast, and performance degrades as it fills.

如果你用 Claude Code 做过真实项目，大概率经历过这种事：

• 前几次对话很聪明，调试几轮后开始犯蠢
• 刚确认过的约束突然失效
• 你开始反复解释纠正，但效果越来越差

问题不全在模型，真正出问题的是一个容易被忽视但很重要的：上下文（Context Window）

Claude Code 官方文档反复强调 context window，但很多人仍然把它当成“聊天长度限制”

实际上，它更像是一种会被污染、会老化、需要管理的工程资源。

如果你已经用过 Agent，可能会有一种很真实的感觉：

好像是会用了，但真让我讲清楚 Agent 是怎么跑起来的，又有点说不明白。

比如：

• Agent 为什么能一边“想”，一边“用工具”？
• Function Call 到底是谁在调用？模型？还是我们？
• LangChain / LangGraph 里那些节点、Memory，看起来很高级，本质在干嘛？

很多时候，我们是跟着框架把 Agent 跑通了。
可一旦遇到下面这些情况，就会开始有点卡：

• 想自己手写一个简单 Agent
• 想排查 Agent 为什么卡住、不动了
• 或者想做点框架里没有的定制逻辑

这时候你大概率会觉得：Agent 有点像黑盒。

但其实，Agent 真没那么复杂。

如果你愿意把框架先放一边，只看最底层的 API，就会发现：
Agent 本质上，就是几个很普通的东西，被我们拼在了一起。

这篇文章想做的事情也很简单：

不用任何 Agent 框架，只用基础API + Java，一步一步把 Agent 是怎么工作的“摊开来看”。

不追求花哨，只追求你看完之后能说一句：“哦，原来 Agent 是这么回事。”

那我们直接开始。

过去两年，大模型能力的提升有目共睹。
对话越来越自然，推理能力不断增强，看起来几乎“无所不能”。

但在真实的工程实践中，很多人都有类似的感受：
Demo 很惊艳，真正落地却并不轻松。

问题往往不在模型能力本身，而在于：
我们仍然在用早期的工程抽象，承载已经高度复杂的 AI 能力。

本文尝试从工程视角，回顾 AI 应用从「对话」到「Skills」的演进路径。

曾经编写的费用分摊的小程序，如今已焕新升级。我为其接入了AI能力，打造出一个能理解指令、预测操作的智能助手。程序的核心代码由Claude Code协助编写。

现在，通过简单的自然语言就能与它对话。更棒的是，它能预判我的下一步操作，并提前给出提示。预测准确时，只需一键确认即可，让操作效率倍增。

体验地址：https://zhengw-tech.com/expense/ai-chat.html，可以先自行操作体验下

如果大家还有兴趣，下面开始详细介绍功能使用指南～

注：AI 生成，略有调整

在日常开发中，我们经常需要同时处理多个分支：

• 一个主分支（main 或 develop）
• 若干个功能开发分支（feature/*）
• 偶尔的紧急修复分支（hotfix/*）

大多数人为了同时开发或调试多个分支，会这样做： 再 clone 一份仓库，然后在另一个目录里切换到不同分支。

但这样带来很多问题：

• 占用磁盘空间（一个项目可能几百 MB，clone 多份会爆仓）
• 管理混乱（分支、依赖、配置容易搞混）
• Git 操作分散（每个仓库要分别 fetch/pull）

其实，Git 内置了一个优雅的解决方案 —— git worktree。

之前进行过机器学习的数学笔记-回归中，主要是人工计算导数以及更新计算

本次为对应《动手学深度学习》线性回归部分内容，使用PyTorch 来简化实现

构造测试数据

找到合适的数据比较麻烦，我们可以自己生成对应的测试用的数据，添加一定的噪声

线性模型：$\mathbf{y}=\mathbf{W}\mathbf{X}+b$，其中 $\mathbf{W}$ 和 $\mathbf{X}$ 都是矩阵

比如可以是$y=w_1x_1 + b$ 也可以是 $y=w_1x_1+w_2x_2+b$ 等等

我们可以根据输入的 $\mathbf{W}$ 和 $b$ ，根据$\mathbf{W}$的形状生成对应高斯分布的$\mathbf{X}$，执行 $\mathbf{y}=\mathbf{W}\mathbf{X}+b$ 获取对应的 $y$ 值

本文主要介绍一下通过Spring AI 来快速实现一个简单的类似OpenAI Agents SDK的功能

具体效果为在application.yml 中配置对应的agent 信息，如

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

spring:
  ai:
    agents:
      # 定义一个Agent
      - name: historyTutor
        # 与大模型交互时的Agent的系统提示词
        instructions: You provide assistance with historical queries. Explain important events and context clearly.
        # 其他Agent可以获取到的关于当前agent的描述信息
        handoffDescription: Specialist agent for historical questions

      # 定义另一个Agent
      - name: mathTutor
        instructions: You provide help with math problems. Explain your reasoning at each step and include examples
        handoffDescription: Specialist agent for math questions

      # 定义入口agent
      - name: triageAgent
        instructions: You determine which agent/tools to use based on the user's homework question
        # 这里定义可以分派的其他agent有哪些
        handoffs:
          - historyTutor
          - mathTutor

使用时，按需注入即可：

1
2
3
4
5
6
7
8
9
10
11
12
13

@Slf4j
@RestController
public class AgentController {

    // 通过名称注入
    @Resource
    private Agent triageAgent;

    @GetMapping("/triage")
    public Flux<String> triage(String input) {
        return triageAgent.asyncExecute(input);
    }
}