LLM

相关指令 pi 下载 npm install -g --ignore-scripts @earendil-works/pi-coding-agent pi 常用内置指令 # 接入apikey /login # 切换模型 /model # 切换推理强度 /thinking # 长文本提示词编辑 ctrl + g # 清空提示词 ctrl + c # 中断智能体工作 esc # 翻看之前的对话记录 /tree # 会话记录翻页 page up / page down # 开启新会话 /new # 切换其它会话 /resume # 退出 /quit 三方工具 # pi-web-access 安装： pi install npm:pi-web-access 关闭弹窗： /curator off # pi-subagents 安装： pi install npm:pi-subagents 相关提示词 # agents.md # 项目规则 ## 文件操作需先确认（重要） 在对**文件系统做任何「增、删、改」操作之前**，必须先与我商量、获得明确同意后才能执行。 ### 需要先确认的操作 - 新建 / 创建任何文件或目录（包括用 `write`、`touch`、`mkdir`、重定向 `>` 等） - 删除任何文件或目录（包括 `rm`、`rm -rf`、清理临时文件） - 修改 / 覆盖任何已有文件的内容（包括 `edit`、`sed -i`、覆盖写入等） - 重命名、移动文件 - 会间接产生文件的操作（如生成脚本、编译输出、格式化写回） - **执行 `pip install` 或任何包管理器安装指令**（包括但不限于 pip、conda、npm、yarn 等） ### 无需确认即可执行的操作 - 只读操作：`ls`、`find`、`cat`、`grep`、`rg`、`sed`（不写回）、`git status`、`git diff` 等 - 阅读文件、分析目录结构 - 运行不产生文件副作用的查询命令 ### 确认流程 1. 在动手前，先说明：**打算改哪个文件 / 做什么改动 / 为什么**，并用清晰的方式列出具体方案（例如要写入的内容提纲、要删除的路径、diff 摘要）。 2. 等待我明确回复 **「同意执行」**。 3. 收到「同意执行」后，才执行对应的文件操作。 ### 注意 - 只说「可以」「嗯」「继续」等含糊回复时，要再次确认是否等于「同意执行」，不要擅自开始。 - 一次确认只覆盖当次商量的那批改动；如果方案变了或范围扩大，需要重新商量。 - 我方明确要求「直接改 / 不用问了」时，可视为对当次任务的一次性授权。 ## 改文件必须先备份（重要） 对已有文件做「修改 / 覆盖内容」或「删除」之前，**必须先备份**。备份是规定动作，不因「改动很小」「删掉即还原」而省略。 ### 备份要求 - 命名：`<原文件名>.bak-YYYYMMDD-HHMMSS`，放在原文件同目录，保留逐字节原文 - 时间戳取本机当前时间；同一批操作的多个文件用同一个时间戳 - **必须在写入之前完成**。改完之后再补的备份不是回滚点，等同没备份 - 备份后立即确认：文件存在、非空 ### 无需备份 - 只读操作 - 新建文件（原文件不存在，没有可备份的内容） ### 例外 - 我方明确说「不用备份」时可以跳过，但你要在动手前把这个决定写明 ### 收尾 - 在回复里列出：改了哪些文件 / 备份文件名 / diff 摘要 # subagent功能测试 主任务：全面对比不同 AI 大模型的价格、能力、优势、劣势。 请使用 subagent 并行执行以下三个独立的调研子任务，每个子任务用 researcher agent： 1. 查询 OpenAI GPT 最新的大模型 2. 查询 DeepSeek 最新的大模型 3. 查询 Anthropic Claude 最新的大模型 每个子 agent 都按同一格式返回：模型名称、发布时间、API 价格（输入/输出）、核心能力、优势、劣势，并附来源链接。 三个都完成后，由你汇总成一张对比表，再写一段总结。 视频链接 视频演示，请前往链接。 ...

相关指令 #查看显卡信息 nvidia-smi #查看 llama 安装是否成功 llama-cli --version #魔搭下载大模型 modelscope download --model Abiray/Qwen3.8-27B-Q4_K_M-GGUF Qwen3.8-27B-Q4_K_M.gguf --local_dir ./ #llama加载大模型指令 llama-server -m ./Qwen3.8-27B-Q4_K_M.gguf -c 16384 --port 8080 -ngl 999 --host 0.0.0.0 #接入deepseek harness 配置方式 provide id：llamacpp（随意输入） api地址：http://127.0.0.1:8080/v1 密钥：123321（随意输入） 视频链接 视频演示请参阅，请前往youtube链接。 付费咨询，远程一对一指导，请联系：gao_mygoh 。

万万没有想到，生化危机的女主角，居然成为了git大佬。 她参与的开源项目，MemPalace（记忆宫殿）爆火 AI 圈。 短短一周的时间，就已经收获了 4万+ 的stars。 这真的是我见过，玩跨界玩的最6的演员了。不得不感叹，这位真的是乘风破浪的姐姐。 项目地址参考如下：https://github.com/MemPalace/mempalace 1、痛点 该项目解决的最大痛点就是：ai没有记忆。 你每次打开新对话的时候，你会发现 ai 对你一无所知。 你之前跟它说过什么话，做过什么决定，踩过什么坑，在新一轮的对话中，ai通通忘记了。 虽然，也有一些云端解决方案，但是这些解决方案，通通要消耗 money。 因为你要把数据存到别人的服务器上，所以，安全性和成本，都是很棘手的问题。 而MemPalace解决了这个问题。 它使用SQLite作为轻量级数据库，处理知识图谱和时间的关系；使用 ChromaDB 作为向量数据库，处理存储和语义搜索；采用python作为开发语言，串起了整个项目。 也正因为它用了这些轻量化的本地工具，所以，正如它的项目介绍所言——一切都在本地，无需api key，无需外部网络。 2、安装 MemPalace 2.1 MemPalace工具安装 保证你的 python 版本在 3.9 以上。 输入一条指令，即可下载。 pip install mempalace 输入指令, 对当前项目进行初始化。 mempalace init ./ 输入指令，将当前项目存入记忆库。 mempalace mine ./ 2.2 Claude Code 插件安装 输入两条指令，即可安装 MemPalace 插件。 claude plugin marketplace add milla-jovovich/mempalace claude plugin install --scope user mempalace 3、使用 MemPalace 举个例子，这里我在 claude 中修改了我的项目，对项目中的内容进行了调整。 那么，过了一大段时间之后，我们可能已经忘记了这一部分调整的原因。 ...

AI Skills 本质上是一个给 AI Agent 看的“行动指南”。 它可以应用于 Claude Code（以下简称CC）、OpenCode、Codex 等 AI Cli 工具。 它的作用是什么呢？（以 CC 为例） 如果没有 Skills，那么 CC 生成的代码或者文案质量参差不齐、想一出是一出、没有任何标准； 有了 Skills 之后，Claude 就会先读取 Skill.md 的要求，按照已有规则给出代码、文案或者其它文本内容。 1、目录结构 使用 Skills 工具，最重要的一个环节是配置好目录。 所以，我们先介绍一下目录结构。 一个完整的目录，如下所示： your-project/ └── .claude/ └── skills/ └── your-skills-content/ ├── SKILL.md ├── scripts/ │ ├── generate_title.py │ └── format_article.py ├── references/ │ ├── cat.md │ └── dog.md └── assets/ └── article_template.md .claude 放在你的项目目录下，CC 需要从这个目录找到 Skills，所以，这个目录必须要有,且名字保持一致； skills 放在 .claude 目录下，里面存放着各种不同功能的 skills ，所以，这个目录必须要有且名字保持一致； ...

openClaw 是IT圈2026年开年的绝对顶流，它本质上是一个ai agent。 包括去年爆火的Claude Code、Manus，还有前年异军突起的 Cursor，本质上都是 ai agent。 我们今天来聊一下 AI Agent 这个东西。 1、理解ai agent 相比于 ai 大模型来说，ai agent 并非高深莫测的东西，它是一个具备定制化功能的、智能的工具. 例如，有专门写代码的agent（cursor），有“私人秘书”功能的agent（openClaw），甚至还有用于医疗领域的agent、影视领域的agent。 你可以把它简单理解为一把锤子、一个螺丝刀，或者一个扫地机器人。 而螺丝刀本身并不能完成智能化的工作。 但是，当你把它接入ai大模型之后，它就可以智能化地、自动化地替你完成你想做的工作。 ai agent = ai大模型（大脑）+ agent（工具） 其中 agent 是由软件工程师开发，ai大模型是由 ai 工程师开发。 如果可以的话，你可以自创一个做家务的 ai agent ，扫地机器人（工具） + 某某ai大模型。 2、ai agent 的开发 目前市面上，有很多 ai agent 的开发工具或者框架。 例如，LangChain 它的下载量最大、最主流，需要敲代码，有一定学习成本；CrewAI 上升势头很猛，概念直观，易上手；Dify 国内很流行，低代码首选，在图形界面上，拖、拉、拽就能实现一个agent…… 总之，各大工具都有人在用，也各有优势。篇幅有限，这里不做对比讨论，后续再写文章进行具体阐述。 下面用一段步骤明确、注释清晰的伪代码，演示一下开发一个“新闻简报” agent 的流程。 请注意：代码中的 duckduckgo 是 langchain 封装好的工具，可以直接调用。 from langchain.agents import AgentExecutor, create_react_agent from langchain_anthropic import ChatAnthropic from langchain_community.tools import DuckDuckGoSearchRun from langchain.prompts import PromptTemplate # ===== 第一步：装上大脑（大模型）===== llm = ChatAnthropic( model="某个AI大模型", api_key="你的API_KEY", base_url="https://api.ai模型地址.com" ) # ===== 第二步：装上工具（手脚）===== tools = [ DuckDuckGoSearchRun() # 搜索工具，能上网搜新闻 ] # ===== 第三步：写提示词（定规则）===== prompt = PromptTemplate.from_template(""" 你是一个新闻简报助手。 任务：搜索今日科技新闻，整理出最重要的3条，每条用2句话概括。 你有以下工具可以使用： {tools} 工具名称：{tool_names} 工作记录：{agent_scratchpad} 用户的问题：{input} """) # ===== 第四步：组装成 Agent ===== agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # ===== 第五步：运行 ===== result = agent_executor.invoke({"input": "帮我整理今天的科技新闻简报"}) print(result["output"]) 3、ai agent开发要点 3.1 选择一个合适的ai模型 前面已经提到，ai模型就是 ai agent 的大脑。 ...