行业现象：“套壳” 产品的意外成功 AI 行业存在 “做模型的看不起做应用的，做应用的看不起套壳的” 的鄙视链，但 2026 年出现两个纯套壳产品的成功案例：一个被 Meta 以 20 亿美元收购（Menace），另一个两周内获得 17 万 GitHub Stars（OpenClaw），引发行业对 “套壳” 认知的反思。 案例介绍：两款典型 “套壳” 产品 Menace：2025 年 3 月发布，24 小时内成为国内 AI 领域讨论度最高产品，邀请码被炒至数万元。核心模型能力来自 Claude，通过调用 29 种工…
Function Calling 的底层机制 Function Calling 没有引入新的推理机制，底层与生成普通文本一致，均基于上下文的 next token prediction。模型通过训练学会在特定情况下将输出从自然语言切换为结构化 JSON 格式，而非存在独立的决策模块。关键在于模型通过大量样本学习输出模式，而非 “读懂”“判断” 或 “决定”。 Function Calling 的训练阶段 分为监督微调（SFT）和强化学习两个阶段。SFT 阶段：训练数据包含大量工具调用完整对话链（系统提示工具信息→用…
Agent Skills 概念介绍 Agent Skills（技能）是让 AI 像新员工一样被培训而非编程的概念。它本质是一个文件夹，包含核心的 skill MD 文件、配套脚本、资源和示例，如同为新员工准备的入职培训班，所有需学习的内容整齐存放其中。 三层渐进式加载机制 该机制的核心是渐进式披露：Level 1 仅加载 100 个 TOKEN，相当于只看目录；Level 2 读取完整的技能说明书；Level 3 则按需加载额外资源。这种按需加载方式可告别上下文爆炸，即使复杂技能包也能轻松驾驭，类似查字典时按需查阅…
Agent≠调 API 的核心区别 面试中常被质疑 “Agent 只是调大模型 API”，但实际落地面临关键挑战：当对话轮次增加（如 50 轮），上下文 token 超过模型窗口（如 128K）时，需解决信息取舍问题，而非简单删除或全量发送。 上下文窗口限制与落地痛点 大语言模型上下文窗口存在硬限制（常见 128K-20 万，Gemini 达 100 万），但实际交互中： 固定开销：System Prompt + 工具说明约 4000 tokens 动态开销：每轮对话（输入 + 输出）500-2000 tokens…
OpenClaw 工作原理 Hesam@Hesamation 原文来自 Hesam (@Hesamation) 发布于 X 的文章，链接见文末。 我研究了 OpenClaw 的架构，以及它处理智能体执行、工具调用、浏览器操作等功能的实现逻辑，其中诸多设计思路对 AI 工程师极具借鉴价值。深入了解 Clawd 的底层运行机制，能让我们更清晰地认识这套系统的功能边界，更重要的是，明确它的优势与短板。我最初的研究初衷，只是出于个人好奇，想探究 Clawd 的记忆机制设计及其运行可靠性。 在本文中，我将为大家浅述 Claw…
引言：科技强国战略的顶层设计与核心内涵 2035 年建成科技强国是中国式现代化的核心支撑，源于对全球科技竞争格局的深刻研判和国家发展的战略需求。党的二十大将科技自立自强作为国家发展的战略支撑，《科技强国建设纲要（2021-2035 年）》明确 “两步走” 实施路径：2025 年基础研究和原始创新能力显著提升，关键核心技术实现重大突破；2035 年进入创新型国家前列，全面建成科技强国。 这一战略的核心内涵可概括为 “五大支柱”：基础研究引领力、关键核心技术攻坚力、产业技术创新力、高水平人才集聚力、全球科技治理参与力，…
视频云产品团队搭建阶段性思考： 团队阶段 核心角色配置 协作重点 从0到1探索期 核心PM + 技术PM + 解决方案PM 快速验证核心功能（如直播低延迟） 规模化增长期 增加商业化PM + 体验PM 优化付费转化率及用户留存 行业深耕期 增加策略PM + 安全PM 构建行业壁垒（如医疗直播合规方案） 典型产出说明： 视频云团队可覆盖技术、体验、商业、行业的完整闭环，应对云服务市场的复杂竞争。实际配置需根据业务阶段动态调整，例如中小团队可合并“技术PM+策略PM” 核心负责人：…