工具学习（Tool Learning）：Agent 如何自动理解并使用未见过的 API？

首先，我们得明确几个行业通用的核心概念锚点以Transformer为架构基础，通过预训练（Pre-training）海量文本数据获得通用知识和生成能力的AI模型，代表有GPT-4、Claude 3、Llama 3、Qwen 2.5等。具备感知（Perception）、推理（Reasoning）、决策（Decision-making）、行动（Action/Execution）和反馈（Feedback

NoSQL MCP Tool 不只是查询器，它与 DMXAPI 还能这样配合

真正动手以后我越来越觉得，很多团队口中的“AI 落地”问题，其实并不在提示词，而在工具层有没有把数据访问这件事处理得足够克制。这里的 NoSQL，不特指某一家产品，重点是文档型和 KV 型数据在工程实践里的共同难点：字段经常半结构化，真实业务里会混入历史版本、脏数据、迁移残留字段，甚至同一个集合里不同年代的数据长得像两个系统。我现在回看这个项目，最有价值的部分并不是某一段提示词，也不是换了哪个模型

从 OpenClaw 看 Agent 架构设计

本文通过对OpenClaw，Claude Code等主流Agent产品的设计进行分析，给出Agent架构设计的关键决策，分析各方案的利弊。