https://byte-wrangler.github.io/byte-wrangler 的个人技术博客，记录代码实践、技术思考与成长历程。 2026-04-23T20:38:42+08:00 byte-wrangler https://byte-wrangler.github.io/ Jekyll © 2026 byte-wrangler /assets/img/favicons/favicon.ico /assets/img/favicons/favicon-96x96.png 2026-04-23T20:00:00+08:00 2026-04-23T20:00:00+08:00 https://byte-wrangler.github.io/posts/reverse-engineering-copilot/ byte-wrangler

写在前面 最近在做后端基于 SDD 的 AI-Coding 过程中，深刻体会到一个事实：我们自己实现的 ReAct Agent 和业界头部产品（ClaudeCode、Iflow、Qoder 等）之间，差的不是模型，而是工程。 这篇文章记录了我从「逆向 Copilot 的提示词」→「自己 vibe-coding 出一个更强的 Agent」→「思考 Agent 的未来形态」的完整心路历程。 1. 从 Copilot 逆向开始 从做后端基于 SDD 的 AI-Coding 以来，我发现 Copilot 的 Agent 确实非常聪明，可以非常好地理解和执行给定的设计、编码等任务。它的底层其实也是基于 ReAct 的 Agent，但是比我们最初实现的 ReAct Agent 要聪明和鲁棒性强太多了，我想知道为什么他们做的 Agent 可以这么聪明。 然后发现在 Copilot 中...

2025-12-18T19:38:00+08:00 2026-03-03T16:16:14+08:00 https://byte-wrangler.github.io/posts/agent-concept/ byte-wrangler

零、写在前面 最近频繁和同事就LLM和Agent相关的讨论，讨论下来发现大家对于LLM和agent的认知相差有点大，有的亲自上手实践过ai项目，有的则很多概念理解不深，所以决定写一个文章来 clarifying 各种相关概念。 一、什么是 Agent？ Agent 是在 LLM 基础上进化而来，从单纯”大脑”进化出了手脚，拥有了目标、更接近一个完整的人，中文也被叫做”智能体”，所以 Agent 的四大核心能力：目标驱动、工具使用、记忆保持、自主决策，有些人会把简单的 RAG+LLM 误认为是 Agent，这是不恰当的，这个智能体缺少了工具这只手脚，能力太重限。 二、Agent 的四大核心能力 接下来以一个例子来说明 Agent 中几个核心能力。 用户提出一个模糊但典型的工程需求：”帮我创建一张店铺日粒度汇总表，包含昨日每家店铺的订单数和 GMV。” 1. 目标驱动（Pl...

2025-07-25T10:00:00+08:00 2025-12-27T20:33:37+08:00 https://byte-wrangler.github.io/posts/agent-pitfalls-and-solutions/ byte-wrangler

写在前面 上次写了《为什么我要手搓复刻一个 Agent 框架》，聊了聊 Agent 的基本原理和架构设计。 但说实话，真正动手做的时候，才发现理论和实践之间隔着一道鸿沟。 这篇文章就来聊聊我在实际开发过程中遇到的各种问题，以及是怎么一步步解决的。希望能帮后来者少踩点坑。 一、推理部分的坑 坑 1：历史消息越长，Agent 越”失忆” 问题描述 Agent 需要多轮迭代才能完成复杂任务。一开始我的做法很简单粗暴： # 每次都把历史消息拼成一个长文本 prompt = f""" 原始问题：{original_question} 历史消息： {history_message_1} {history_message_2} ... {history_message_n} 当前步骤：{current_step} """ 结果呢？ 前几轮还好好的，到了第 5、6 轮，...

2025-07-21T10:00:00+08:00 2025-12-27T19:58:49+08:00 https://byte-wrangler.github.io/posts/building-agent-from-scratch/ byte-wrangler

写在前面 最近半年，身边做 AI 的朋友都在聊 Agent。从最开始的”这玩意儿能干啥”，到现在各种 Agent 框架满天飞，这个领域的发展速度快得有点吓人。 作为一个喜欢折腾的技术人，我也忍不住想搞清楚 Agent 到底是个什么东西。看了一圈市面上的框架，最后决定自己手搓一个。 这篇文章就聊聊我在这个过程中的一些思考和收获。 一、Agent 是个啥？跟 LLM 有啥区别？ 先说 LLM 如果你看过我之前写的 LLM 个人笔记，应该知道 LLM 本质上就是个”词语接龙”游戏： 你输入一个问题 它根据训练数据，一个词一个词地生成回答 整个过程是一次性的，输入进去，输出出来，就结束了 用个比喻：LLM 就像一个博学的朋友，你问他问题，他给你答案。但他只会”说”，不会”做”。 再说 Agent Agent 就不一样了。它不只会”说”，还会”做”。 ...

2025-04-10T10:00:00+08:00 2026-01-07T21:09:25+08:00 https://byte-wrangler.github.io/posts/llm-prompt-engineering-guide/ byte-wrangler

一、为什么提示词这么重要? 在深入技巧之前,先理解一个核心问题:为什么同样的需求,不同的提问方式会得到完全不同的结果? 大模型的本质 之前的文章有说过，大模型可以看做是在玩”词语接龙”游戏。每一个字、每一句话,都会影响它接下来生成的内容。 就像跟一个人聊天: 如果你说话含糊不清,对方只能猜你的意思 如果你表达清晰、提供足够背景,对方就能给出更准确的回应 大模型也是一样的道理,只不过它更”较真”——你怎么问,它就怎么答。 提示词工程的价值 好的提示词能让大模型: 理解更准确:减少歧义,明确你的真实意图 输出更可控:按照你期望的格式和风格生成内容 质量更稳定:减少”一本正经胡说八道”的情况 效率更高:一次就能得到满意的结果,不用反复调整 二、构建高质量提示词的四步法 经过大量实践,我发现 COSTAR 框架是一套非常系统化的方法,有助...