筛选结果
这是一篇围绕企业级 [[HITL Agent]] 系统落地的来源整理页。原文提出一套面向金融、医疗等高合规场景的工程化架构：用户请求先进入智能路由网关，再由 [[AI能力评估层]] 根据置信度、不确定性、风险与上下文一致性决定走全自动、人工审核或人机协同；人工介入后，决策结果通过[[双反馈引擎]]形成短期规则优化与长期增量训练两条闭环，并沉淀到[[企业级知识...
这是一篇以好友匹配对战界面为例的流程型实战来源整理，重点不在单独教授某个工具，而在于串起 [[ChatGPT-Image2]] 出整张 UI、Photoshop 拆图层、[[Spine]] 制作特效动画、再到游戏引擎中按原型搭建并用脚本衔接分段动画的完整落地链路。文中明确指出：最初的 UI 由 ChatGPT-Image2 直接生成整图；进入 Photosh...
【[安全同源补漏]]指在一次安全修复后，继续排查并补齐同一漏洞类型在其他入口、模块、调用链或实现分支中的遗漏点，避免出现“修了一处、漏了别处”的不一致防护。它不是泛指安全修复，而是围绕同类风险做统一治理、共享规则下沉与攻击面持续收敛。本文语境下，维护者在 v0.18.2 与 v0.19.0 两轮中持续补齐 4 类同源缺口，包括 UI BLOCKED_PROP...
本文整理了一篇面向 [[RAG]] 实践的入门文章。原文聚焦标准 RAG 在检索阶段常见的噪声问题：召回结果中相关与无关内容混杂，占满上下文窗口，导致回答啰嗦、跑题或答非所问。文章提出在“检索之后、生成之前”加入 [[上下文压缩]]，由大模型对每个召回 chunk 按问题相关性进行过滤、保留、摘要或抽取，只把最相关的信息送入最终生成环节。文中依次介绍了 Se...
本地 vLLM 部署约束是指 [[Hyper-Extract]] 在使用 vLLM 作为本地 LLM 与 embedding 服务时，为保证结构化抽取稳定可用而必须遵守的一组连接方式、服务拆分、启动参数、模型选择、thinking 模式控制与量化方案限制。重点不只是把服务启动起来，而是确保受约束解码能从第一个 token 开始产出 JSON，避免 `<thi...
动态知识图谱驱动的企业决策知识中枢是指把人工决策逻辑、案例经验、规则关系、合规约束与审计记录持续结构化沉淀到可更新的知识网络中，并作为企业级 HITL Agent 架构中的 operational knowledge hub，反哺 AI 执行引擎、支持相似案例复用、规则更新、审计追踪与知识资产化。它存储的不是通用百科事实，而是面向企业决策执行的人工判断依据、...
多模态知识图谱是将文本段落、图像、表格、数学公式等异构内容统一建模为可关联的知识实体与关系网络的表示方法。在本文语境中，它是 [[RAG-Anything]] 的核心创新，用来保留不同模态之间的说明关系、逻辑联系与来源信息，并与向量检索结合，支撑复杂文档场景下的精准问答。
多智能体编排原语是指构成 Agent 工作流的基础组织模式，包括 Prompt Chaining、Routing、Parallelization、Orchestrator-Worker、Evaluator-Optimizer 五类。在本文语境中，作者强调生产系统里反复出现的并不是 [[Agent Team]]、swarm、crew 之类的产品化标签，而是这些...
多Agent协作式编码，是指把编码任务交由多个 Agent 分工协作完成，并通过沟通协议、任务自主认领与工作树隔离来组织并行执行的一种 AI 编码模式。在本文所述课程中，它不是起步能力，而是放在最后阶段引入：此前单 Agent 已逐步具备基础循环执行、工具调用、规划、任务管理、上下文处理与异步执行等能力，随后才进一步扩展为团队协作系统，用于处理更复杂的编码任...
[[飞书 CLI]]是原文在“开机日程播报”场景中由[[Claude Code]]会话开始[[Hook]]调用的命令行工具，用来拉取当天日程安排，并把外部日历信息接入 AI 的开场播报。它在该例中不是单独完成播报的主体，而是作为外部数据入口，把当天行程补充进问候、天气与出行提醒等内容中，扩展了 AI 会话启动时可自动提供的信息范围。
[[复杂 Agent 图式编排]]是指把 Agent 在真实业务中的流程、状态流转、分支判断、人工审批与失败恢复机制，从 Prompt 内部或模型隐式决策中抽离出来，显式组织成可执行图结构的工程化方法。它要解决的不是“让模型更会想”，而是让复杂 Agent 的业务逻辑具备结构、边界、可恢复性与可观测性；在文中以 [[LangGraph]]、[[StateGr...
[[根因调试]]是在本文语境下对 Superpowers 中 [[systematic-debugging]] 的中文概括：它要求调试时禁止先猜修复，必须先做根因调查，再做模式分析、单假设验证，最后才实现修复；四个阶段必须按顺序执行，并通过“单假设验证”避免叠加改动，在连续三次修复失败后必须暂停，退回重审是否存在架构层面问题。
共享语言是在项目中为代理与开发者统一术语的一类文档化语言体系，用来帮助 agents 解码项目行话，缓解代理修复问题时过于冗长的表达。它把讨论软件的词汇与代码中的表达尽量建立在同一套领域模型上，因此不仅能让描述更精炼，还会让变量、函数和文件命名更一致，代码库更易导航，并让代理在思考与生成时消耗更少 tokens。
[[光学对齐]]是界面设计与前端实现中的一种视觉修正方法，指元素不能只按几何中心、对称留白或数学等距来排布，而要根据人眼感知做小幅微调。典型场景是按钮里的文字与图标组合：即使左右 padding 数值相同，图标一侧仍可能显得偏重或偏移，因此常需要把图标侧 padding 减少约 2px，甚至在 SVG 内部继续微调。不对称图标如播放三角形尤其容易出现这种问题...
[[混合检索]] 是把关键词检索、向量检索和图遍历联合用于知识库查询的检索策略。本文语境下，它特指在 [[LLM Wiki]] 扩展到约 100 到 200 页、甚至继续增长后，单靠 `index.md` 已逐渐成为检索瓶颈，因此需要把 BM25 或 FTS5、embedding 向量搜索与[[类型化知识图谱]]上的关系遍历同时使用，并通过 RRF 融合排序...
基于置信度与风险的HITL动态路由，是指 Agent 系统在接收请求后，不预设一定由 AI 或人工处理，而是把模型置信度、风险评分、合规预检、上下文一致性等信号一起纳入入口决策，动态分流到全自动、混合模式或人工审核路径。在本文语境中，它是企业级 HITL 系统的入口控制机制，也是连接 [[AI能力评估层]]、[[人工干预决策中心]] 与 [[HITL Age...
渐进式披露式能力组织，是指把 AI 的能力单元设计成按需展开的分层信息结构：先提供最小化描述与触发条件供模型判断是否相关，再在确认需要时加载执行步骤、最佳实践、自检规则与参考材料。它的核心不是把所有规则一次性塞进提示词，而是用分层加载降低 token 消耗、减少无关上下文干扰，并通过规范文件与能力目录提升工作流的稳定执行与可维护性，特别适合 [[Skills...
[[角色资产库]]是《[[我用 Hermes Agent + ComfyUI 搭了一条「AI 拍短剧」流水线(基础版) 摘要]]》里用于缓解多分镜独立生成时同一角色外观漂移问题的基础版连续性保障方案。它把角色档案、参考照片、音频样本和专属提示词按目录集中管理，并建议放入 Git 仓库规范化维护；[[Hermes Agent]] 在为每个分镜生成提示词时会自动...
[[节点-场景架构]]是指 [[Godot]] 以节点（Node）作为游戏对象基本单位、再按树状结构组织成场景（Scene）的组织方式。文中认为，这种层级明确、关系清晰、可递归遍历的数据结构，和 AI 尤其是大模型处理结构化上下文的方式高度匹配，因此比 Unity 的预制体-组件模型、Unreal 的 Actor-Component 体系更便于 AI 理解、...
节点工作流是把生成式 AI 的推理、控制、参考输入、后处理与导出拆成可执行节点，并通过显式连线组织成可复用流程的编排方式。本文语境下，它主要指以 [[ComfyUI]] 为代表的模块化工作流模式：复杂流程不再被封装在单一页面里，而是可以拆分、组合、复用，并被第三方界面进一步抽象成表单、移动端入口或团队协作界面。
结构化输出兼容性指在 Hyper-Extract 的 provider 语境中，某个模型经某个接入渠道提供时，是否真正支持 `json_schema`、约束解码以及“首 token 就必须是 JSON”的结构化输出前提。它不是泛泛的模型好不好用，而是直接决定 `with_structured_output`、[[AutoGraph]] 等依赖 schema....
结构化图像提示词，是指不用单段自然语言描述整张图，而是把高层描述、风格、背景、元素、坐标、颜色和文本内容等信息拆分为显式字段的图像生成提示方式。在本文语境中，它特指 [[Ideogram 4]] 所支持的 JSON 提示形式，能够对版式、颜色和文字渲染进行比普通提示词更细粒度的控制，尤其适合海报、排版和含文字图像生成。
结构化文档标注是指为原本自由描述的文档补充明确的层级、边界与语义标记，使内容在切分后仍能保持语义块完整，并被检索、切分与召回系统稳定识别。在本文语境中，它主要面向数据库表结构与字段说明类业务文档，通过统一结构和可机器识别的标记方式，提升 [[RAG]] 知识入库后的召回完整性与准确率。
[[界面打磨规则集]] 在本文语境中不是泛泛而谈的设计原则，而是一组被封装进 [[make-interfaces-feel-better]] 的 16 条可执行 UI 优化规则。它把“界面感觉不对”拆成可检查、可修复、可由 AI Agent 稳定执行的具体项，覆盖圆角、间距、[[光学对齐]]、阴影、图标切换动画、[[可打断动画]]、排版、点击热区与性能约束，...
本文整理设计工程师 [[Jakub Krehel]] 将界面打磨经验封装为 AI skill `[[make-interfaces-feel-better]]` 的经过与意义：用户可通过 `npx skills add jakubkrehel/make-interfaces-feel-better` 安装，并在 Claude Code 或 Cursor 中用...
[[可打断动画]]是指界面过渡在用户中途改变操作意图时，动画不会被固定时间线锁死，而是能够在播放过程中平滑转向、反向或衔接到新状态的交互动画方式。它优先用于 hover、toggle、开关、抽屉等[[状态过渡]]，常见实现是使用 CSS `transition` 而非固定时间线的 keyframe 动画，以避免界面显得僵硬、迟钝或硬切。
可追责性是指在 ToB AI 系统中，任何一个结论都不仅要可重复，还必须能回溯到具体数据、规则、判定链路与时间记录，以便在合规质疑、复议或业务追责时逐条摆出依据。它比单纯的可复现更高一层：可复现只能保证“每次一样”，可追责要求“为什么这样、依据是什么、是哪一步判出来的”都能查清，因此被视为 [[ToB AI]] 真正的商业壁垒。
可组合能力单元设计是指把单个 AI 能力拆成既能独立完成任务、又能在更大工作流中被串联调用的模块化单元，并为每个单元明确触发条件、输入、输出、执行规范与协作边界。它强调不要把抓取、生成、审校、发布等多步流程写死在一个超长提示词里，而是通过独立能力文件、按需加载和可组合调用来提升复用性、稳定性与维护效率。在本文语境中，它是 [[Skills驱动的AI工作流设计...
跨模态检索是指在文本、图像、表格、公式等不同信息形态之间建立统一表示与关联机制，使用户能够用一种模态的问题检索到另一种模态中的相关证据。在本文语境中，它体现为 [[RAG-Anything]] 的双层次检索问答机制：不是把多种检索并排堆叠，而是在完成多模态解析、统一知识表示与跨模态关系构建后，结合细粒度与概念级关键词提取、图谱实体匹配、关系扩展和向量相似性检...
[[跨平台技能语义与Harness映射]]是 [[Superpowers]] 6.0 强调的一种分层做法：skill 文本层尽量只写可迁移的方法论与动作意图，如派发子代理、读取指令文件、执行评审或交接，而不直接绑定某个 Agent 平台的专有工具名与配置入口；到了具体平台，再由 harness、插件或 reference 文件把这些抽象动作映射成实际工具、资...
[[类型化知识图谱]] 是在 [[LLM Wiki]] 语境下，为知识库中的实体、声明与页面关系显式标注语义边类型的结构化层。它不是泛指任何 graph，也不是仅靠 Markdown wikilink 或可视化连线图，而是进一步用 `uses`、`depends_on`、`contradicts`、`supersedes`、`derived_from` 等命...
--- title: "立绘->spine动画：一条完全 AI 驱动的全自动生产管线" source_url: "https://mp.weixin.qq.com/s/560zJ_dAz-Hj0YTtUow5Mw" source_site: "mp.weixin.qq.com" clipped_at: "2026-07-02T05:53:57.331648+...
美术资源授权与适配检查，是指在把第三方美术作品、模型、材质或辅助资源正式用于游戏项目之前，分别确认其法律授权范围与实际落地可用性。前者要区分“参考学习”和“直接使用”，核对是否允许商用、上架分发，并保留作者、来源、购买记录和使用范围；后者则要检查资源是否真适合游戏流程，包括格式、文件大小、贴图数量、模型复杂度以及导入引擎后的实际效果，避免把只适合渲染、概念设...
这是一篇对开源课程项目 [[learn-claude-code]] 的简介型来源整理。原文强调，它不是教人如何操作 Claude Code，而是通过 12 节循序渐进的课程，带读者从零实现一个类似 Claude Code 的 [[AI编码Agent的渐进式构建|AI 编码 Agent]]：从最小 Agent Loop、Bash Tool、工具注册与调度、先规...
模型上下文协议（Model Context Protocol，MCP）是连接大型语言模型与外部数据源、服务和工具的标准化接口协议，用于统一描述工具能力、输入输出与交互方式。在本文语境中，MCP 解决的是工具接入与定义标准化问题，但当 MCP 工具数量大幅增长时，仅有协议本身并不能解决工具发现与选择困难，因此需要 [[RAG-MCP]] 这类检索式选择框架作为...
强类型知识提取是指把 LLM 对非结构化文本的抽取结果约束到明确的 schema 与字段语义中，使输出从松散自然语言变为固定结构的知识对象。在本文语境下，它通过基于 Pydantic 的 8 类 Auto-Types 落地，覆盖记录型结构与图结构两大类，并支持时间、空间及时空扩展；这些对象不仅可验证、可 JSON 序列化和持久化，还自带 search、vis...
轻量级Agent框架，是指在大模型应用开发中，以较少抽象层和较清晰运行边界来组织模型调用、工具注册、任务编排与执行流程的框架形态。本文语境下，它强调的“轻量级”不是功能少，而是架构层次更清晰、抽象更薄、执行逻辑更直观；其常见最小核心可概括为 LLM、Tool、Agent 三层解耦。此类框架既便于理解 Agent 的实际工作机制，也保留了 Function C...
确定性后处理是把 AI 生成的原始图像交给规则明确、可重复执行的程序链路进行像素级清理、切帧、对齐、缩放和打包的工程环节。本文将其作为稳定输出的重要机制，用来弥补生成模型在格式规范与可复用性上的不足。
确定性笼子是把 [[LLM]] 包裹在一套确定性工程链路中的落地方法：模型只负责自然语言理解、信息抽取与意图翻译，不直接承担最终判定、计算执行和对外交付；真正的查询执行、规则校验、交叉验算、异常降级与留痕追溯由确定性系统完成。它的目标不是消灭模型与[[系统层不确定性]]，而是把不确定性限制在内层，并把未被消解的波动转化为风险信号，最终让客户只看到通过全部关卡...
本文是对一篇基于阿里云 [[Tablestore]] 构建 Agent 长期记忆框架实践文章的详细整理。原文将 [[Agent]] 所需存储能力明确分成两类：[[Agent Memory]] 用于情景记录、摘要、实时数据抽取等实时记忆场景，[[Knowledge]] 用于知识库原文、摘要与语义检索。文章指出传统 MySQL、PostgreSQL 在大规模、低...
人工干预决策中心是企业级 [[HITL Agent]] 架构中的核心执行实体，用于承接低置信度、高业务风险或需要人工兜底的任务，并把人工判断组织成可派发、可协作、可追踪、可反馈的处理流程。它不是单一界面，而是由分级任务派发、上下文保持中间件、人工工作台、实时协作通道与反馈解析机制构成的人机协作枢纽，既面向当前业务结果，也服务于 [[HITL Agent双反馈...
任务级双结论代码评审是 [[Superpowers]] 6.0 在 [[subagent-driven-development]] 中引入的任务评审机制：每个任务完成后，不再分别调用需求符合性评审与代码质量评审两个 reviewer，而是由单一 Task Reviewer 在一次 diff 阅读中同时给出 spec 与 quality 两个独立 verdic...
[[任务颗粒化计划]] 是在 [[Superpowers]] 工作流中由 [[writing-plans]] 负责产出的计划方法：把设计文档拆成每步仅需 2 到 5 分钟、且有明确完成判定的可执行步骤。它要求零占位符、零模糊表述，禁止使用 TBD、TODO 或“后续实现”之类写法，从而为 [[subagent-driven-development]]、[[e...
这是一篇来自微信公众号、作者为“AI愚人众”的来源整理。文章围绕为什么 [[Godot]] 在 2025 到 2026 年的 AI 辅助独立游戏开发中更占优势展开，核心理由包括：Godot 采用“每个游戏对象都是节点、节点按树状结构组成场景”的 [[节点-场景架构]]，其结构被描述为层级明确、关系清晰、可以递归遍历，因而更适合 AI 理解与操作；文中明确提到...
上下文边界驱动的多智能体设计是指在规划[[多智能体]]架构时，不按人类组织中的岗位角色拆分，而是按任务间是否需要共享上下文、中间过程和状态依赖来决定是否拆分、如何拆分。本文语境中，它是区分[[Sub-Agent]]、[[Agent Team]]与单 Agent 的首要原则，也是避免交接失真、过度编排和协作噪音的核心判断框架。
上下文感知式业务集成，是指在 Agent 应用中，把模型能力直接接到应用内部状态与业务服务上，使其既能读取当前业务上下文，也能触发真实业务动作，而不是只做单向文本问答。在 CopilotKit 的语境里，这种能力通常通过 Context Provider 注入用户信息与服务接口，再通过 useCopilotAction 注册可执行动作来实现。典型例子是模型识...
上下文压缩是 [[RAG]] 链路中的后检索处理机制：在召回候选 chunk 之后、送入生成模型之前，结合当前用户 query 对每个 chunk 做相关性判断，并通过选择性保留、摘要压缩或关键句抽取，删去无关内容或改写为更紧凑表达。它不等同于文档预处理阶段的分块或静态压缩，核心目标是在相同上下文窗口内塞入更多有效信息、减少噪声干扰，并在压缩过度时允许回退到...
上下文压缩策略是指在 [[RAG]] 中，对检索召回的文本按业务目标进行保留、摘要或抽取的具体方法选择。常见可分为 Selective、Summary、Extraction 三类：Selective 仅保留直接相关的原文句子或段落且不改写，覆盖相对完整；Summary 将相关内容浓缩为高信息密度摘要，压缩率通常最高；Extraction 只摘取最关键的原文句...
上下文预算是指在与 AI 协作时，不把上下文窗口理解为“能塞多少就塞多少”的容量问题，而是把进入模型上下文的内容按必要性、成本、冲突风险与保真要求做取舍和组织。它关心哪些信息必须保留、哪些可以压缩、哪些属于纯干扰、哪些必须保留原文。该概念在本文语境中面向普通用户而非仅开发者，适用于论文修改、面试准备、读书笔记整理等场景。其核心结论是：模型越强，越依赖清楚、稳...
[[设计令牌]]是把颜色、间距、字体、圆角等视觉决策抽象为统一变量的机制；但在本文语境里，它不只是一个抽象前端概念，而是 [[Unity UI Toolkit Design System]] 中承接主题切换与视觉规范统一的核心入口。主 stylesheet 负责组件与界面的结构化样式，Token 提供底层视觉变量；因此更换主题时主要修改 Token 文件即可...