openai

OpenAI 官方教你怎么用 Codex，其实是在教你怎么写一份「Skill」摘要：OpenAI 官方的 Codex Manual 里有一套很明确的推荐用法——别把 Codex 当聊天框，把它当工程同事：一个好任务要包含目标、上下文、约束、完成标准；复杂任务先 Plan 再动手；长期项目要靠 AGENTS.md 沉淀规则；跑完一定要验证。本文顺着这套方法论往下拆，你会发现它本质上是在教你怎么写一份结构化的任务说明书，而这份说明书，跟 Agent 生态里的 Skill 是同一个东西。最后聊聊，当每个人都在给自己的 Agent 攒 Skill 时，怎么避免装了一堆不靠谱的东西。

Agent 能完成一个任务，但它能持续追一个三个月的目标吗？最近我一直在思考一个问题：我们今天构建 AI Agent 的方式，是不是过度围绕“完成一次任务”设计了？

时光不负努力

skill 定义 + 多个skill 协作skill是一个可复用的能力模块，包含完成某类任务所需的知识、流程、工具调用方式和约束。多个 skill 可以通过任务分解 + 编排（orchestration）+ 信息传递协作完成一个完整开发任务。

AI BI Helper 开发实录 02：Graph 工作流编排——SQL 生成、执行与邮件推送跟着课程《Java转AI高薪领域必备——从0到1打通生产级AI Agent开发》做的实战记录。技术栈：Spring AI Alibaba 1.1.2.0 + Milvus 3.0 + MySQL 8.x。项目代号 ai-bi-helper，这是第 02 期，聚焦 Graph 工作流编排。

OpenAI Tibo：同样的 Rate Card，为什么更强的 Sol 反而更快耗尽 Codex 限额GPT-5.6 Sol 与 GPT-5.5 的公开 Token Credits 费率相同，但复杂任务仍可能更快触碰 Codex 限额。原因未必是单位价格变化，而可能是 Sol 更愿意延长执行、追加验证、调用工具和子代理。本文不再重复通用 Agent 成本公式，而是给出一套判断方法：额外工作是否覆盖了新的风险、证据或验收项。

第15篇：《检索效果太烂？我用Query改写和重排序把准确率翻了一倍》承上：上一篇我们用 QuestionAnswerAdvisor 一行代码跑通了RAG，但是在测试过程中发现一堆Bad Case：问“怎么退钱”搜出来的是“退款到账时间”，问“加班费怎么算”搜出来的是“加班调休规定”。今天，我们要解决RAG最头疼的问题——检索不准。

Kimi K3竟是GPT-2的22580倍，博主「肝」48小时发现：七年进化大模型不只是参数暴涨最近，月之暗面 kimi 正式开源 Kimi K3 完整模型权重，Kimi K3 是一款总参数量达 2.8 万亿、上下文窗口达 100 万 token 的 MoE 大模型，更是全球首个落地的近 3 万亿参数级开源大模型，引起业界热议。

第14篇：《公司制度问答机器人上线：老板问"能加薪吗"，AI回答"请看第三章第四条"》承上：上一篇我们把文档碎片变成了向量，存进了Redis，现在能通过语义检索找到最相关的文档块了。但这只是"查到了资料"，还没到"回答问题"。今天，我们要用Spring AI原生的QuestionAnswerAdvisor，一行代码跑通完整RAG链路。

AI BI Helper 开发实录 01：文本向量与 Milvus 向量数据库集成跟着课程《Java转AI高薪领域必备——从0到1打通生产级AI Agent开发》做的实战记录。技术栈：Spring AI Alibaba 1.1.2.0 + Milvus 3.0 + Redis（备选）+ MySQL 8.x。项目代号 ai-bi-helper，这是第 01 期，聚焦文本向量技术，打通文档上传、自定义分割、向量存储全流程。

携程员工：在携程4年，月薪3万左右，基本没涨薪了。不过挺满足的，毕竟稳定，福利也不错（附Agent面试题）看到这样一则爆料。在携程4年，月薪30000左右，研发岗，基本是没有涨薪了。不过这么多年还是挺满足的，毕竟稳定，福利待遇也不错。

第10章实战项目一：智能数据分析Agent理论到实践的距离，只有动手才能缩短。从本章开始，我们将用三个完整的实战项目，把前面学到的知识融会贯通。第一个项目是智能数据分析Agent——用户用自然语言提问，Agent自动查询数据、执行分析、生成图表和报告。

第13篇：《把PDF变成AI能懂的"密码"：我用向量数据库建了个知识库》承上：上一篇我们把文档切成了高质量的小碎片，但它们还只是文本。AI不认识文本，只认识数字。今天，我们要把这些文本碎片变成一串串数字——向量，存入向量数据库，让AI真正能"理解"你的私有知识。

【生产力】GPT-5.6 发布：前沿智能、智能体协作与更高性价比发布日期：2026 年 7 月 9 日OpenAI 正式推出 GPT-5.6 系列模型，包括旗舰模型 GPT-5.6 Sol、面向日常工作的均衡型模型 GPT-5.6 Terra，以及成本效率最高的 GPT-5.6 Luna。

《AI工程》：构建应用，需要哪些技术？（解惑篇）人们对基础模型的热情和创造力前所未有，但构建应用的原则并未改变。上一篇文，我们从需求和产品角度分析了要不要构建一个应用。

第12篇：《AI的幻觉差点让我背锅：于是我给它开了一场"开卷考试"》承上：上一篇我们把安全、成本、监控全部搞定，AI应用终于拿到了"生产许可证"。但上周发生了一件事，让我意识到还差最后一块拼图——用户问"公司年假怎么请"，AI一本正经地回答"员工每年享有15天带薪年假，可任意时间申请"。而实际上，我们公司只有5天。

当 Skill 放大一万倍，它就变成了 Memory——从渐进式披露到动态上下文的工程演进摘要：做了一段时间 Agent 系统之后，我越来越觉得 Skill 被神话得太厉害了。Skill 的本质其实很朴素——一段渐进式披露的 Prompt，核心是 Context 的动态组织，它不是魔法。更值得聊的是另一件事：当 Skill 的规模从一个 MD 文档放大到上万个，放大十倍甚至一万倍时，Skill 实际上就演变成了 Memory。本文拆解 Skill 的真实本质、一个完整 Skill Pack 的四层构成、大规模场景下的核心难点，以及"Skill → Memory"这条演进路径背后的工程逻辑。最后

用户312687487720

AI Agent 开发实战（六）：用 Spring AI 搭建你的第一个 Agent这是「AI Agent 开发实战」系列的第 6 篇。前 5 篇我们聊了概念、LLM、记忆、工具和框架横评，今天终于要动手了——用 Spring AI 从零搭建一个能调用工具的 Agent，跑通 ReAct 循环。

Kimi暂时关上新用户订阅渠道你以为是缺钱吗？其实可能更缺卡！前两天Kimi K3的发布可以说在AI赛道上又投下一颗炸弹，炸的水花四起。业内有人惊呼又是一个“DeepSeek时刻”，当然可能是DeepSeek R1 珠玉在前，或许我们应该称呼“Kimi时刻”更公平。

DeepResearchSystem 0x02：Graph 构建这一章主要基于之前的基础去实现 Agent 核心功能，我们是基于 LangGraph 做的实现。这里先简单回顾下 LangGraph 基础知识。

第11篇：《上生产前夜的恐惧：Prompt注入、敏感词、Token成本，我一个一个填坑》承上：上一篇我们让AI学会了写SQL查数据库，功能都跑通了。但在提交上线审批的前夜，我盯着天花板睡不着——如果有人诱导AI说脏话怎么办？如果一天跑掉几千块钱Token怎么办？如果模型挂了怎么办？今天，我要把这些问题一个一个解决掉，不然这生产环境我是不敢上的。