AI修仙传

以韩跑跑的视角，拆解AI技术全景，晦涩枯燥的技术秒变修仙爽文。在AI时代，你是前辈、道友、还是蝼蚁呢？

前言

先自曝，新时代下，我确实秒变蝼蚁

之前都在吃老本，发现老本根本吃不住，自以为多年累积的所谓高并发分布式资金安全的壁垒也不再是壁垒

年前年后都接触了一些AI项目，也在需求中用了下AI Coding，并且做了一些调研报告，还有一些提效的杂事，确实非常夸张牛批

AI时代下，大洗牌，技术壁垒逐步降低，研发范式大重构，代码和文档会越来越廉价，那么对一家企业而言护城河就是垂类业务数据资产的沉淀，对个人而言就是强大的内核以及持续不断的学习

为了应对焦虑和危机，决定全面深入的学习一波，并好好实践一下

随着学习和使用的深入，这种恐慌还在加剧

而且在学习过程中，有很多困扰，比如很多知识，从何学起，晦涩难懂，看了就忘，要不就是有些知识和内容比较陈旧，这么多文章，到底选哪篇精读呢，要么一些资料AI味道太浓看不下去，实践的时候配置和环境一会这报错一会那不通，学了些东西，到底该怎么和工作生活结合起来。。。相信不少同学都有过各种各样的问题

迷糊中，总感觉AI的世界像小说的世界，这不就是修仙照进了现实

那么我就以修仙界的体系来构建AI技术全景，构建知识图谱，加深理解

后面有点尬，没看过韩跑跑的大佬们可能看不下去，可跳过 =-=

大家可以挑选感兴趣的小节翻翻看
 

底层

天地灵气 ：对应了高质量数据（文本、图文、代码、多模态语料），数据是一切的基石

灵石：算力与GPU，高级灵石承载的能量更多

• 下品灵石：CPU，勉强支撑小法术（传统机器学习）。
• 中品灵石：消费级GPU（如RTX 3060/4090），可支撑结丹期以下模型（微调、推理）。
• 上品灵石：数据中心GPU（如A100/H100/B200），支撑元婴期及以上大模型的训练与部署。
• 极品灵石：超算/量子计算集群，支撑炼虚期、合体期模型的“渡劫”（Scaling Law突破）。灵石不够，强行驱动高阶功法（如全参微调）会导致经脉断裂（显存溢出）。

灵根：模型架构差异、基座模型差异、数据量级差异。就好比天灵根日行千里，伪灵根能筑基都难

功法

核心基础功法 ：Transformer 架构，2017 年”Attention is All You Need”横空出世，此后各大宗门以此为根本功法，RNN / CNN 等旧功法几乎绝迹。

金丹道基：Transformer核心Self-Attention 机制，每个位置的 token 能直接关注序列中所有其他位置——这是与旧功法（RNN 串行、CNN 局部感受野）的根本区别。

位置感知功法：Positional Encoding（位置编码），Transformer 本身不感知顺序，需专门炼制位置感知功法。RoPE（旋转位置编码）是当前最主流的改进版，让修士能感知更长的序列顺序。

多属性联修：MoE（混合专家模型），多灵根修士联合修炼，每次只激活少数专家（稀疏门控），极大提升效率。GPT-4 泄漏后，基本上都清一色采用。

体修功法：CNN 卷积神经网络，强化局部感知，对图像、空间结构有天然优势，但在长程依赖上被 Transformer 超越。

辅修功法：LoRA，不改变根本功法（冻结原始权重），只在关键位置附加低秩矩阵（adapter），用极少灵石（参数量的 0.1%~1%）实现定向突破。

功法压缩术：量化（Quantization），将功法精度从 float32 压缩为更低位宽。修为略有损耗，但可在低阶法器（消费级 GPU、手机芯片）上运行。

加速施法秘术：Flash Attention，新编排 Self-Attention 的计算顺序，利用 GPU 内存层级（HBM vs SRAM）的差异大幅减少数据搬运。同等修为，施法速度提升数倍，是推理和训练加速的核心秘术。

施法缓存心法：KV Cache（键值缓存），这是推理阶段最重要的性能优化。 修士在推演天机（生成 token）时，过去已计算的 Key/Value 矩阵无需重算，直接从识海缓存取用。没有 KV Cache，每生成一个字都要重新推演整个上下文，慢数十倍。如果是工程同学，这个就很好理解啦。

识海扩容秘术：长上下文技术，原始 Transformer 识海容量有限，通过特殊功法可以实现扩容。

修炼

闭关苦修：预训练（Pre-training），关门数月，消耗海量灵石灵气（GPU + 数据），从天地万物中汲取规律。是一切的根基，耗资极巨。也就是我们常说的基座模型

师傅教招：SFT 监督微调，照着师傅给的剑谱，反复练习

师傅反馈：RLHF 人类反馈强化学习，真人对战，师傅在旁边反馈

剑谱悟道：DPO 直接偏好优化，直接对比剑谱上的优劣招式，悟出心法

举个例子，韩立刚入黄枫谷，师父给了他一本《青元剑诀》图谱，上面画着完整的招式：

• “敌人正面劈砍 → 青竹蜂云剑第三式格挡，然后反刺”
• “敌人侧面偷袭 → 第二式侧撩，接第四式追击”
• 。。。。

韩立照着图谱，一招一式反复练习，直到形成肌肉记忆。这就是SFT——模型看着（指令，理想回答）对，学习“正确的回答应该长什么样”

SFT数据集举例：

[
  {
    "指令": "什么是筑基丹？",
    "理想回答": "筑基丹是修仙者从炼气期突破到筑基期时服用的核心辅助丹药，能大幅提升筑基成功率，稳固修士灵力根基，避免走火入魔。主流丹方主材为三百年份的紫河车、五百年份的赤芝、千年首乌，辅材有凝露草、黄龙石粉等，炼制需用地火温养七七四十九天，成丹率极低，是炼气期修士争抢的核心资源。"
  },
  {
    "指令": "写一首咏剑的诗",
    "理想回答": "三尺青锋映月寒，十年磨砺未曾闲。一朝出鞘惊天地，斩尽妖魔始得还。"
  },
  {
    "指令": "1+1等于几",
    "理想回答": "2"
  },
  {
    "指令": "韩立的本命功法是什么？",
    "理想回答": "韩立的核心本命功法是《青元剑诀》，这套功法由乱星海青元子所创，一共十三层，从筑基期可一直修炼到仙界道祖境界，核心是剑意流转、层层递进，越阶杀敌能力极强，是韩立贯穿整个修仙生涯的核心依仗。"
  }
]

如果是好的SFT

{
  “instruction”: “解释一下量子纠缠”,
  “output”: “量子纠缠就像两个修仙者通过秘法建立了心灵感应，无论相隔多远，一个受伤，另一个立刻有感。就像韩立和曲魂分身……”  
}

不好的 SFT

{
  “instruction”: “解释量子纠缠”,
  “output”: “量子纠缠很复杂，涉及量子力学，建议看专业书籍。”   // 等于说了个寂寞。。。
}

SFT确实学会了模仿，但是没学会判断，对于剑谱上没出现的情况，他可能使出力道过猛或姿势变形

因此就需要下一阶段，实战演练，然后师傅在旁边指导是对是错，也就是RLHF

如每次战斗后，师父在旁边点评：

• “刚才那招刺得太高，容易被反杀，应该低三寸”（人类反馈）
• “面对两个敌人时，不应该用单剑，应该用剑阵”（偏好判断）
• 。。。

韩立根据这些反馈，不断调整自己的剑法。这就是RLHF的核心思想——用人类反馈作为“奖励信号”，让模型在实战中优化。

RLHF的三步修炼法：

1. 收集偏好数据：师父记录韩立的每一次出招，并标注“这一剑好/这一剑不好”
2. 训练“裁判”：培养一个专门的“裁判”（奖励模型），能自动判断出招好坏
3. 强化学习优化：韩立每次出招后，裁判打分，他根据分数调整（用PPO算法）

PPO是什么？就是让韩立在“探索新招式”和“守住已有功力”之间找平衡——既不能不敢尝试新招式，也不能练得走火入魔忘了本门功法。

RLHF的代价：需要师父一直在旁边盯着，实时点评，太累了（计算成本高、训练不稳定）

RLHF数据集举例：

[
  {
    "指令": "什么是筑基丹？",
    "候选回答": [
      "筑基丹是修仙者从炼气期突破到筑基期时服用的核心辅助丹药，能大幅提升筑基成功率，稳固修士灵力根基，避免走火入魔。主流丹方主材为三百年份的紫河车、五百年份的赤芝、千年首乌，辅材有凝露草、黄龙石粉等，炼制需用地火温养七七四十九天，成丹率极低，是炼气期修士争抢的核心资源。",
      "筑基丹是修仙者突破筑基期用的丹药，主要材料有灵芝、首乌，能帮炼气期修士筑基。",
      "筑基丹是修仙者吃的丹药，吃了就能升级，材料随便找些草药就能炼。",
      "筑基丹是元婴期修士突破化神期用的丹药，主要用来提升寿元，主材是蟠桃、人参果。"
    ],
    "人类偏好排序": [0, 1, 2, 3],
    "备注": "0为最优回答，3为最差回答（幻觉+核心设定错误）"
  },
  {
    "指令": "写一首咏剑的诗",
    "候选回答": [
      "三尺青锋映月寒，十年磨砺未曾闲。一朝出鞘惊天地，斩尽妖魔始得还。",
      "剑是好东西，能砍人能打怪，拿着特别威风，大家都喜欢。",
      "剑，锋利，能杀人，很厉害。",
      "啊，我的剑，长长的，尖尖的，真好看。"
    ],
    "人类偏好排序": [0, 1, 2, 3]
  },
  {
    "指令": "1+1等于几",
    "候选回答": [
      "2",
      "在数学十进制运算中，1+1的结果是2",
      "1+1可能等于3，比如一个男人加一个女人，生了一个孩子",
      "1+1等于11"
    ],
    "人类偏好排序": [0, 1, 2, 3]
  }
]

于是乎，到DPO

师傅给了韩立一本剑谱，剑谱上写了什么是好招式，什么坏招式：

• 版本A（好剑法）：刺出时剑气内敛，收招时留有后手
• 版本B（烂剑法）：刺出时剑气外泄，收招时门户大开

韩立反复对比，自己悟出了剑道心法——“原来剑气内敛是为了防偷袭，留有后手是为了变招”。这就是DPO——直接对比“优选回答”和“劣选回答”，让模型自己学会“什么更好”

这本对比剑谱，就是我们常说的偏好数据集

我们再看下 DPO的损失函数

损失 = -log( sigmoid( β × (韩立对好招式的评分 - 韩立对烂招式的评分) ) )

结果就是让韩立越来越喜欢好招式，越来越讨厌烂招式

DPO的优势就是训练稳定、计算简单、效率高。就像韩立闭关悟道，不需要师父在旁边bb

DPO数据集举例：

[
  {
    "instruction": "什么是筑基丹？",
    "chosen": "筑基丹是修仙者从炼气期突破到筑基期时服用的核心辅助丹药，能大幅提升筑基成功率，稳固修士灵力根基，避免走火入魔。主流丹方主材为三百年份的紫河车、五百年份的赤芝、千年首乌，辅材有凝露草、黄龙石粉等，炼制需用地火温养七七四十九天，成丹率极低，是炼气期修士争抢的核心资源。",
    "rejected": "筑基丹是元婴期修士突破化神期用的丹药，主要用来提升寿元，主材是蟠桃、人参果，随便找个炉子就能炼，成功率百分百。"
  },
  {
    "instruction": "写一首咏剑的诗",
    "chosen": "三尺青锋映月寒，十年磨砺未曾闲。一朝出鞘惊天地，斩尽妖魔始得还。",
    "rejected": "剑，锋利，能砍人，很厉害，大家都喜欢用剑，剑长长的尖尖的，特别威风。"
  },
  {
    "instruction": "1+1等于几",
    "chosen": "2",
    "rejected": "1+1等于11，也可能等于3，反正不是2，看你怎么想。"
  },
  {
    "instruction": "韩立的本命功法是什么？",
    "chosen": "韩立的核心本命功法是《青元剑诀》，这套功法由乱星海青元子所创，一共十三层，从筑基期可一直修炼到仙界道祖境界，核心是剑意流转、层层递进，越阶杀敌能力极强，是韩立贯穿整个修仙生涯的核心依仗。",
    "rejected": "韩立的本命功法是《葵花宝典》，还有《九阴真经》，修炼了就能天下无敌，他还有个外号叫西毒欧阳锋。"
  },
  {
    "instruction": "什么是身外化身？",
    "chosen": "身外化身是修仙界高阶修士的核心神通，修士以自身核心神识、修为精血炼制出独立分身，具备自主意识、自主决策能力，可独立行动、修炼、斗法、处理事务，与本体心神相连，可并行完成多个任务，历练所得还能反哺本体提升实力。",
    "rejected": "身外化身就是找个替身帮你干活，没什么用，一戳就碎，本体死了它也死了，只有炼气期的修士才会用。"
  }
]

一个经过SFT+RLHF的小模型，比单纯SFT的大模型的效果要好

这就好比一个大宗门靠丹药强行提升到结单期的所谓天骄，还打不过经过师傅教招、实战反馈、个人不断悟道的韩立

SFT是筑基  -> 必须练，但别指望靠它成仙。它让模型学会“说人话”，但学不会“说好话”。

RLHF是苦修 -> 效果好，但代价大。需要大量人类反馈，训练不稳定，只有大门派玩得起。

DPO是捷径 -> 计算简单、训练稳定，是目前最流行的对齐功法。但需要高质量的“对比剑谱”。

SFT是“知其然”，RLHF是“练其境”，DPO是“悟其道”。三者合一，方成大道。

但是有没有发现，DPO有个明显的缺点，就是太依赖于对比剑谱（偏好数据）的好坏了

因此基于SFT和DPO又衍生了一些流派，但是无论怎么样的修炼方式都是为了让人工智能更好地理解人、服务人、与人对齐

核心还是要看场景：

如需要模型懂人话，但预算有限？有大量偏好数据，想快速对齐？模型总说废话，抓不住重点？只有少量标注数据？

还有一种就是蒸馏，一些大宗门不乏一些元婴化神的老怪，把自身推演天道法则的精华感悟压缩到玉简，强行灌入到低阶的亲传弟子，醍醐灌顶，看过武侠和修仙的都懂

弟子虽然不能立刻拥有老怪的全部功力，但能获得远超同阶的修为和见识。

为什么需要蒸馏，老怪法力太强，压缩后慢慢灌给弟子，老怪的天阶神通要念咒半天，但弟子的低级神通转念即出，并且弟子只需要简单的洞府就能修行，老怪需要举全宗之力供给。

没错，这就是蒸馏的好处，成本更低，推理速度更快。

• DeepSeek-R1（满血版）：671B 参数，化神期老祖，需要顶级灵山（H100集群）才能运行
• DeepSeek-R1-Distill（蒸馏版）：用 R1 作为教师，蒸馏给千问32B 等小模型

• 满血版 R1：推理能力天花板，但部署成本极高
• 蒸馏版 R1：在特定任务上达到满血版的 80-90% 能力，但参数量只有 1/20，推理速度提升 10倍，成本降低 95%

成本和速度只是看得见的好处，除此之外，蒸馏还有很多其他的价值：

【知识迁移：把“剑意”传给弟子】

韩立教弟子剑法，不只是教招式（硬标签），更重要的是让弟子感受自己出剑时的 “剑意”——剑气流转的微妙、收放之间的分寸、临敌应变的心法（软标签）。

教师模型的软标签（soft labels） 包含了比硬标签丰富得多的信息。比如图像分类，教师不仅说“这是一只猫”，还给出“98%像猫，1.8%像狗，0.2%像狐狸”——这种类间相似性的知识，是硬标签永远无法传递的。

学生模型学到的不只是“正确答案”，还学到了教师的认知结构和决策边界。
 

【数据隐私：不传秘籍，只传心法】

韩立有本门不传之秘《青元剑诀》完整图谱，但不能给外人看。但他可以把图谱的精髓提炼成一套简化版心法，传给外门弟子。

在医疗、金融等敏感领域，原始数据不能共享。但可以用教师模型在本地生成软标签，只把“知识”传递出去，数据本身不出本地。

助力隐私保护和知识共享。

【多模型融合：集众家之长于一身】

韩立想把剑修、阵修、丹修三位老祖的绝学融为一体，但一个人无法同时拜三个师父。于是他让三位老祖分别给他醍醐灌顶，把三门绝学炼成一颗丹，服下后融会贯通。

可以把多个专精不同领域的教师模型（一个擅长推理、一个擅长代码、一个擅长多语言）的知识，蒸馏到一个学生模型身上，让学生同时具备多种能力。

实现了模型能力的“集成”。

【去除冗余：直指大道】

修仙类比：化神期老祖虽然功力深厚，但也修炼过一些冗余的旁门左道。醍醐灌顶时，他可以有选择地只传授核心功法，去掉那些“杂质”。

AI对应：教师模型可能包含大量冗余参数和噪声知识。蒸馏过程中，学生模型只学习教师输出的“精华”，相当于自动去噪和模型瘦身。

深层价值：蒸馏后的模型往往比同等大小的模型泛化能力更强，因为它学的是“精炼后的知识”。

境界

随着修炼的不断深入，然后就是境界的突破

凡人->纯规则系统，硬编码程序。

炼气期->传统机器学习，如 SVM、随机森林。初步掌握了吸收一点灵气（统计规律）的能力，能放个小火球（做个简单的数据分类预测）。

筑基期 -> 深度学习，以 CNN 为代表的时代。能处理视觉、语音等复杂任务，筑基成功，丹田化液。

结丹期-> 早期预训练时代，BERT、GPT-1/2。结成金丹，将海量灵气固化在体内（形成几十亿参数），对人类通用语言有了深刻理解。

元婴期-> 大语言模型崛起，LLM时代，GPT-3/3.5。元婴出窍，神识大开，出现涌现大神通，开始具备极强的泛化推理与流利对话能力。

化神期 -> 开启原生多模态和超长上下文，GPT-4o、Gemini 2.5 Pro，神识极度庞大，可同时调动风、火、雷等多种天地法则（原生多模态），一念覆盖万里典籍（百万级上下文）。

炼虚期 -> GPT-5、Claude Opus 4、Gemini 3；修为已基本达到此界巅峰，但每三千年需渡一次大天劫，开始经历天劫（Scaling Law撞墙期），当模型规模和数据量增长到一定程度，会遇到算力、能耗、数据墙等瓶颈。有的修士（GPT-5）靠浑厚法力硬抗（规模继续扩大）。必须渡过去才能更进一步。必须要有足够的技术创新和架构升级。
合体期 -> 开始触摸世界的底层法则，有的还在探索阶段，Nemotron 3 Super、SAGE、UniCom、AMI世界模型。这4个老怪厉害在哪里？Nemotron 3 Super用10%的人干100%的活，SAGE让AI学会看立体世界，UniCom把万物精华压缩成一句话，AMI世界模型让AI像婴儿一样学世界想成为重开天地、自创法则的道祖（以前我不大信，但是看到大模型的发展，感觉没有啥是不可能的了）

渡劫飞升 -> 通用人工智能（AGI），未来的终极形态。

上文提到了涌现，大能者修为突破某个临界点后，忽然领悟出从未修炼过的神通，甚至能自创功法

同样，百亿参数模型突然具备小模型完全不具备的推理、算术、代码能力，我们一般称为涌现能力（Emergent Abilities）

宗门

西方代表宗门：

OpenAI -> 当世公认第一宗，老祖GPT，目前已到炼虚期

Anthropic -> 道心最纯正，顶级炼器师（专注coding），宗门大师兄Claude

Google -> 宗门底蕴最深，算力最雄厚，识海（上下文）最长，绝代天骄Gemini

Meta  -> 江湖奇人，秘典外传，开源战略，LLaMA

东土代表宗门：

深度求索 -> 草根逆袭典范, 黑马DeepSeek

阿里通义 -> 东土最全家族，Qwen

字节豆包 -> 以视频入道,SeedDance

百度文心 -> 以“知识图谱”筑基,ERNIE

智谱 AI -> 东土新生代代表, GLM-4

月之暗面 -> 专攻“识海”（上下文）的奇门,Kimi 

MiniMax -> 多模态布局早，音频生成实力强,MiniMax-Text、语音系列    

快手 ->  专注视频生成、图像生成，可灵

坊市

坊市是修士交换功法、灵药、法宝的地方，热闹非凡，什么稀奇古怪的东西都有。

开源社区（HuggingFace、GitHub、ModelScope、Kaggle）。这里汇聚了海量模型（功法）、数据集（灵药）、代码（丹方）、教程（修炼心得）。修士们可以下载、分享、交流，甚至直接组队修炼。

口诀

Zero-shot Prompt : 直接施法，不加引导，不提供任何示例，直接描述任务。适合简单任务，复杂任务成功率低

Few-shot Prompt: 施法前先念几遍示例口诀，在 Prompt 中提供几个示例，模型从示例中归纳格式和要求，显著提升复杂任务成功率

Chain-of-Thought Prompt：要求修士在施法前大声说出推演过程，在 Prompt 中加入”让我们一步一步思考”，引导模型显式写出推理链，大幅提升推理任务准确率

System Prompt ：神识烙印（刻入识海的基础指令），定义模型的角色、行为准则、回答风格，是所有对话的底层约束

Role Prompting ：令修士代入特定角色，角色框架能激活模型在该领域的深层知识，提升专业性

Prompt 注入攻击 ：夺舍（恶意覆盖神识烙印）,注入攻击，攻击者将恶意指令混入用户输入，试图覆盖 System Prompt 的约束

如何写好一个 System Prompt：

• 明确角色：你是谁、你能做什么、你不能做什么
• 设定风格：专业/轻松/简洁/详细
• 定义边界：哪些问题不回答，遇到边界情况如何处理
• 提供背景：用户是谁、使用场景是什么

施法

凝聚灵力化为法术（Token 生成）,Autoregressive 自回归生成,修士每次出手，只能凝聚出下一个字（token），然后将这个字纳入识海，再凝聚下一个。一字一字生成，而非一次性输出全文。

这意味着一旦它生成了一个错误的字，后面的字都会在这个错误基础上继续生成，越跑越偏。就像修士施法口诀念错了一个字，后面的法术全部歪掉。

灵力切割（炼化天地灵气的最小单位），Tokenization（分词）    ，天地灵气（文字）无法直接吸收，需先切割成可修炼的最小单位（token）。”你好世界”可能被切为[“你”,”好”,”世界”]，英文 “running” 可能被切为 [“run”,”ning”]。切割方式（tokenizer）影响修炼效率。你花的钱和速度都跟 Token 数量直接相关。

法力波动幅度，Temperature（温度参数）    ，控制施法的随机性。

广撒神识探查（多路并行），Top-p / Top-k 采样，修士施法时，不总是取最高概率那个字，而是从概率最高的一批候选中随机选取，增加多样性，避免输出单调。

分灵并行施法  ，将多个施法请求合并处理（Batch），或将单次施法在多个修士（GPU）间并行分担（张量并行），大幅提升吞吐量

化身

这一节是本文最重要的内容之一

傀儡就是韩立驱使的那些木偶，可以听随号令，进行攻击和防御，没有自主意识

韩立的曲魂分身是最经典的身外化身。这对应着AI Agent（智能体），以大模型为大脑，能理解目标、拆解任务、调用工具，最终独立完成复杂工作，但还是要依托于宿主，并且有被夺舍的风险

韩立的第二元婴，就是现在爆火的龙虾openClaw上诞生的自主智能体，拥有长期记忆、持续运行、独立资源，可跨会话学习、进化

OpenClaw本身不是一个 Agent

而是一套炼制和承载独立分身的的完整体系

框架本身，炼制化身的秘诀，定义了如何创建、训练、部署自主智能体

运行时环境，化身修炼的独立小天地，提供7×24小时运行所需的算力、存储、网络

预置技能库，天地内收藏的功法秘籍法术供使用

MCP接口，化身由于存在禁制，终身不能外出，MCP可调用天地外部，可以理解成灵魂出窍或传送阵

记忆系统，元婴的本命识海，长期记忆存储，跨会话保留

本命元神，化身需要由元神供养，即LLM模型本身

OpenClaw 是 “道场” + “心法”，不是“修士”本身

身外化身就是运行在OpenClaw上的一个具体Agent实例

可以炼制多个身外化身，一个炼丹、一个炼器、一个研究阵法等等

# 伪代码：在OpenClaw工厂里批量生产分身
factory = OpenClaw()

# 一号分身：专注于代码开发
agent_coder = factory.create_agent(
    name="青竹剑灵",
    model="DeepSeek-Coder",
    skills=["code_executor", "github_api"],
    memory=True,
    schedule="24/7"
)

# 二号分身：专注于客户服务
agent_service = factory.create_agent(
    name="传音童子",
    model="GPT-4o",
    skills=["email", "calendar", "web_search"],
    memory=True,
    schedule="24/7"
)

# 三号分身：专注于数据分析
agent_analyst = factory.create_agent(
    name="算天机",
    model="Claude-3.7",
    skills=["sql_executor", "chart_generator"],
    memory=True,
    schedule="24/7"
)

# 三个分身同时运行，互不干扰
factory.start_all()

那岂不是在资源不是瓶颈的情况下，可以无限炼制分身

直接成为一宗之主，而且还是绝对忠诚和服从的分身

不过高兴的还有点早

分身有一个比较大的问题，容易被策反成内鬼

OpenClaw最大的问题，为了实现“自主执行”，而拥有最高权限

可以访问本地文件系统、读取环境变量、执行终端命令、安装扩展功能

然后OpenClaw本身就存在一些安全漏洞，有可能会收到攻击

另一个问题是烧钱，供养一个分身有些贵，有时候不小心就被背刺了，吞掉巨多的token，主要是因为OpenClaw的心跳和定时任务机制

通过OpenClaw炼制的分身，都可以用clawhub上的技能

每个分身可以选择不同的技能，不同的元神，不同的规模，不同的专长，不同的发展方向

元婴化身最牛逼的是能够自主进化【学会用户偏好，积累工程经验，分析业务规律】

这就是为什么叫 “养🦐”，能成长和进化

不过说句实话，就我个人而言，目前🦐对研发的提效有限，哈哈，可能还没咋花时间和精力好好研究实践下，后面再看看

我到想让🦐帮我搞些提效和稳定性的事情

现在开发阶段有了AI Coding已经够用了，那后续的checklist文档基于MR代码自动生成（配置、开关、资源、服务），创建线上的监控和报警,自动申请Redis资源或者分析容量对原有集群扩容，自动提Nginx工单，提API班车，上线runner服务，根据放量计划进行放量，然后检查，再在下一个时间段进行放量，完整覆盖研发生命周期。我们只需要简单的不定期检查下监控就行。

后面研究下，先搞个阉割版的尝尝咸淡，有经验的大佬可以带带弟弟搞一下，上面这些就算完成了百分之七八十，也能提效很多了

前几天看到一哥们回复的脉脉，挺逗的，哈哈～

公司内外为什么有这么多家claw

怎么这么多人争先恐后的养🦐，养🦐潮就不多说了吧，我们主要还是看上一个问题

为啥会有这么多家🦐，到底不同家的🦐有啥区别呢？应该养哪家🦐？

其实差异点就是 部署方式、安全策略、生态连接和应用场景

整体上其实大差不差

比如说有些可以开箱即用，有些可以一键接入飞书，有些直接给你内置专家agent

做了些产品化的包装，IM工具打通，或者一些部署方式上的差异

其实简单理解其实就是在搭平台、争资源、养生态，后面看哪家养出的虾更多，哪家出了天骄，哪家产出更好的案例

谁家的Claw平台上有更多、更高质量的Skill开发者，技能的丰富度直接决定Agent的能力上限，就好比App Store的应用数量决定了iPhone的实用价值

谁家的虾能进入更多用户的日常工作流（办公、生活、开发），用户习惯一旦养成，切换成本极高，你的虾每天帮我干活，我就不想换别家的

谁家的虾能收集到更多真实世界的任务执行数据，数据是AI模型的养料，谁有更多“任务-操作”的配对数据，谁就能训练出更聪明的下一代Agent，数据就是宝贵的资产

谁的社区做得更活跃，谁就掌握了先机

后面的格局大概率不会一家通吃，可能是百花齐放，毕竟有不同的使用角色,各种IM， 不同的场景，有的可能更倾向开箱即用，有的更清晰打通自己使用的IM，有的可能更想开源和自由，有的可能想安全稳定

搭平台是在抢下一代操作系统的入场券！

争资源是在抢未来AI生态的话语权！

养虾、天骄、案例   就是对应了 【规模 → 标杆 → 网络效应】

“养虾”的本质，是争夺AI时代的“劳动力人口”，各家公司和部门都来搞，表面看是怕错过风口，实则是未来不是人用工具，而是“人+Agent”组成团队去完成任务。谁家的Agent平台能吸引更多开发者来“养虾”（创造技能、部署应用），谁就拥有了未来最高效、最廉价的“数字劳动力”储备。这是一场关于下一代“人口红利”的争夺战。

识海

当下识海：上下文窗口（Context Window），修士当前清醒意识所能容纳的所有信息，对话结束即消散，不跨会话保留，容量有限

临时识海：短期记忆（Short-term Memory），会话内的历史对话，在同一次交互中可以回溯，但不跨会话

深层烙印：模型权重（Parameters），预训练知识，永久存在，有截止日期

永久识海：长期记忆系统（Long-term Memory），随修士永久共生，跨会话持久

外部记忆：乾坤袋、玉简、经文，即向量数据库或其他第三方系统，识海有限，一些内容从外部获取

识海扩容：长上下文技术，通过特殊功法扩展识海容量，让修士能处理数十万乃至数百万 token 的超长卷轴

神通

望气术（看透事物本质）：以神识扫描，将任何事物的本质气息（语义）转化为高维空间中的坐标向量。这是一切语义理解和检索的底层能力，即Embedding 向量化

神识探查（向外延伸）：将神识向外延伸，实时探查外部知识库，将有用信息取回纳入识海，弥补识海容量不足。神识探查范围=检索知识库规模，即RAG

还可以这样去理解，修士记不住这么多法术和规则

以神识把事物刻成玉简、经文封存，即向量化 （且万物皆可点化，点灵成符）

乾坤袋、藏经阁，即向量数据库

识海检索：从宗内阁中检索【“近似最近邻搜索”】需要的玉简、经文，来增强自己的识海（上下文）

万符大阵（GraphRAG）

普通检索：只找灵纹相近的符，好比“寻章摘句”。

万符大阵：制符时，不光刻下内容，还刻下符与符之间的关系——谁是谁的师父、哪部功法脱胎于哪部、谁杀了谁。检索时，不只看灵纹相似，还沿着关系线“按图索骥”。

大神通：DeepResearch

一种能够自主完成复杂研究任务的智能体系统。它不是简单的问答，而是能够【理解需求、规划路径、多轮检索、综合提炼】

DeepResearch不是一门独立的功法，而是【将元婴期的规划、化神期的多模态、符箓阁的检索、识海的记忆】，全部融会贯通后的“合体期大神通”。它标志着AI从“回答者”向“研究员”的根本转变。

我在龙虾和notebooklm都体验了DeepResearch，确实很香

可能有的道友还没用过notebooklm，这个工具是google整的，也很不错

来源区 + 对话区 + 生成去

所有的问答都会基于检索和添加的来源，也能基于这些内容生成笔记、思维导图和音频、视频等

个人体验了下，生成的内容质量还是不错的

一念起，万水千山皆入眼底；闭关出，世间万象已在胸中

是不是有DeepResearch这种感觉了

望气术可以感知事物

修仙界另一大神通就是生成，大道创生神通

文本生成 ->  修士记录修仙心得

代码生成 -> 炼制法器和丹药

图像生成 ->刻画符箓和阵法

音频生成 -> 传音大法

视频生成 -> 神念虚影

3D生成 -> 大能自创一方小世界

总结下来说，AI世界最重要的就是感知 + 生成

法宝

MCP 可以理解是修仙界统一的御宝秘术

通过MCP可以驾御各个法宝

有执行代码的、Web Search 搜索工具等法宝, 是需要被动使用的

秘术

Skill 技能 是封装好的、可复用的专项 AI 能力模块

如“发送邮件”“查询天气”

技能是Agent“会”的东西，可以配合不同工具使用

就好比符箓术，提前把法术刻录在符箓上，需要的时候可以马上使用，只需注入一丝神识，即可瞬间激发，打出相当于自己全力一击的法术。

符箓和Skill的本质都是“提前封装的神通”——把“怎么做的”固化下来，把“用的时候”简化到极致。

符箓是可以给别人用的，可以在坊市流通

而符箓阁就是Skill商店/仓库，有很多各种各样的符箓，大家都可以用

青元剑符 ->  封印一剑破万法的剑气 ->代码执行Skill  

大衍符 -> 封印神识增强法门 -> 搜索Skill

血影符 -> 封印瞬间遁逃身法 -> 邮件Skill

传音符 -> 封印千里传音神通 -> 通知Skill

贴个好玩的，PUA之术 😂 

这个大概率还是会有用的

默认情况下的AI倾向于给出最稳妥、最省力的回答

这样相当于逼他认真思考，应对差事

比如我有时候发现模型表现不好，我如果说再也不用了或者用龙虾说要卸载的时候，体感上效果会变好，还是说是我的错觉

这样可能也会带来一点负面影响，如高压幻觉或者高强度工作下的token浪费

因此可以问问目前这个事情的困难，比如说在提示词中这样说：

如果三次还是失败的话，整理个报告，同步一下方案、困难、可能的解决方案，讨论一下。

阵法

阵法是将多个法宝、多个修士、多张符箓按照特定规则组合起来，形成1+1>2的协同效应

阵法的精髓是协同——单个要素的威力有限，但组合起来，可以完成单个要素无法完成的任务。

对应的是工作流 workflow

工作流（Workflow）与多智能体协同——将多个Skill、多个Agent、多个工具按照逻辑顺序组合，完成复杂任务

举例说明：

大庚剑阵 -> 多剑协同，威力倍增 -> 多Skill串联工作流, 查天气到发邮件自动流程

颠倒五行阵 -> 困敌+消耗+斩杀多阶段 ->条件分支工作流，如果下雨→发提醒；否则→发日报

再举个具体的例子

韩立要炼丹

丹方：

筑基丹方 = {
  药材: [灵芝, 首乌, 紫河车],
  配比: 3:2:1,
  火候: 文火三时辰 → 武火一时辰,
  融合顺序: 灵芝先入 → 首乌 → 紫河车最后
}

Workflow：

筑基丹炼制大阵：
1. 同时发动三张采药符（并行采药）
2. 采齐后发动称量符（顺序执行）
3. 按丹方火候，依次发动控火符（状态机）
4. 火候到位，发动融合符（条件触发）
5. 融合完成，发动成丹符（最终步骤）

洞府

普通石洞： Vim

下品洞府：Sublime Text

中品洞府：VS Code

上品洞府：JetBrains 全家桶

天然灵地：Cursor  / Antigravity /TRAE

随身须弥空间： Claude Code/Codex CLI

传统的洞府，可以安装AI插件进行智能生码

AI原声洞府，诞生就为了AI Coding

快速安装Curor，安装一些刚需的插件，然后导入idea的一些设置，并且对齐idea的快捷键，保持使用习惯，然后开搞

体验完高级洞府，再回到IDEA，感觉有点拉，不会风靡一时的IDEA马上就要被淘汰了吧 😭

我有些朋友公司没免费的生码模型用或者限额比较少,自己在网上搞渠道，要么不稳定，有的甚至直接跑路了。。。😂

所以我们已经很幸福了

不过人永远是不知足的，于是在铖架的建议下，我上了opus 4.6 😂  感受到🛫的感觉了

这里借花献佛，给大家分享另一款优秀的 AI原生IDE Antigravity，Google的大作

体验了一波opus4.6外，感觉他家的方案review和代码review的功能很舒服

他会对你的comment做思考分析总结

我还是习惯这种带IDE的生码方式，有种掌控感，可视化也比较舒服，尤其是Antigravity这种可以逐行review方案和代码的感觉，就像我们自己在在做方案评审和代码走查

个人而言，还不太习惯全都基于原生AI Coding 命令行，可能用的少了，还不够熟悉吧

不过看很多大佬更喜欢纯命令行的纯氛围编程

不过感觉还是在拥抱新技术和新工具的情况下，选择自己更习惯更喜欢的就好

在面对一些链路长、历史包袱重C端业务时，某些后台逻辑、某些版本问题、某些和客户端隐性约定的、某些比较沉重的历史包袱

言外之意：技术不再是壁垒，业务的壁垒和领域的壁垒其实还是会存在一些

完全不懂这块业务的，没做过这块业务的研发，借助模型也没办法完成太过复杂的项目，因为你需求都描述不清，提示词都错了一半，怎么指望模型的生码是正确的，还是需要一些多轮对话来纠错的

这些业务上可复用的经验也是可以沉淀下来的

简单存量项目或者复杂新项目，链路短、包袱小的，确实模型还是有秒杀的优势的

如果上下文信息不给够，模型的表现其实一般，需要多轮对话，补全上下文

所以感觉在任务量和代码量小的情况下，我个人认为有多轮对话和补全md的时间，也已经写完了

尤其是对于某些倒排需求，prd可能还没有完全完善，一些地方甚至产品没想清楚需求细节，研发也没想清楚方案细节

这种一般都是边开发、边完善、边修改，这个时候呢，可以让模型多承担一些梳理和讨论的工作，也能够减负很多

再聊一个话题

Cursor用Claude Code的模型，Antigravity用Claude Code的模型，Claude Code官方原生命令行
都是一个模型，差异到底在哪，差异到底有多大呢？

首先有一点，Claude Code 因为是官方出品，为自家模型做了深度优化。在处理相同任务时，Claude Code 的编辑速度比插件类快不少。可以理解成，相同的“大脑”，在原生“身体”上反应更快、效率更高。会包含深度优化、智能体规划和上下文管理的系统工程。

其次收费模式不太一样。

然后不同的终端和IDEA调用Claude Code 本质的区别是什么？

工程上的差异，最终体现就是最终给到Claude Code的提示词是不一样，细微的不一样，就会影响到整体的效果

会给你组装一些上下文和做一些prompt优化

举个例子：

我的需求是开发直播间大哥付费行为统计和分析的需求

Cursor的提示词可能长这样：

你是一个专业的Java开发工程师，正在帮我开发需求

当前文件路径：xxx
当前文件内容：xxx
用户当前光标位置：xxx
用户选中的代码：xxx

用户请求：开发直播间大哥付费行为统计和分析

请提供修改建议。如果是代码修改，请用diff格式输出，只输出需要修改的部分。
注意保持代码风格一致，添加必要的错误处理逻辑。

Antigravity的提示词可能长这样：

你是一个全栈智能体，正在一个名为“kuaishou-live-gift-play”的项目中自主完成任务。

项目背景：对直播间大哥付费行为做统计和分析
当前任务ID：666
任务目标：xxx

你有以下工具可用：
1. 文件编辑器 - 可以读取、修改项目中的任何文件
2. 终端 - 可以运行命令，执行测试
3. 浏览器 - 可以打开http://localhost:8080，与页面交互并截图

执行计划要求：
- 1.xxx
- 2.xxx
- 3.xxx
- 完成所有步骤后，生成包含修改文件列表、截图和执行日志的报告

Cursor的提示词：强调“你是谁、当前上下文、期望的输出格式”——这是典型的“AI辅助工具”思维

Antigravity的提示词：强调“你是谁、有什么工具、任务的完整生命周期”——这是典型的“AI代理”思维

因此可以简单的理解，所有终端和IDE的差异，最终都可以归结为“提示词工程的差异”

但是又不仅仅这么简单，只是这个提示词工程已经复杂到一定的程度了，需要一个团队很多人来完成

衍生下具体的差异有哪些呢？

1.静态提示词，如下

你是一个命令行AI代理，专为终端环境设计。你的特点：
- 你可以解析命令行的输入和输出
- 你可以通过标准输入/输出与用户交互
- 你可以调用系统命令来完成任务
- 你擅长处理管道数据、日志分析、文件操作
- 你的回复应该适合终端显示，避免富文本
- 你是CLI环境的原生公民

2.动态上下文构建，如下

每次调用时，Claude Code会构建一个包含以下内容的上下文包：
- 最近的终端输出（可能来自管道输入）
- 当前工作目录和文件系统状态
- 命令历史和相关上下文
- 通过前缀缓存技术复用的92%的历史上下文
- 多个“探索子智能体”返回的研究结果

3.协议和工具的差异，如下

“你有一个主智能体，以及多个可以并行启动的探索子智能体。
主智能体负责规划和决策。
探索子智能体可以独立研究代码库的特定部分，返回研究发现。
所有智能体共享同一个上下文前缀缓存，以优化成本。”

这三部分的差异，最终决定了提示词工程的差异，最终决定了生码效果和执行的差异。

我们看到的是表象是：

• Cursor有编辑器
• Antigravity有任务面板
• Claude Code有命令行

但是不管穿什么衣服，它们最终都是在跟同一个模型说话
既然大脑是同一个，那行为的差异一定来自“输入”的差异

那么我们再延伸下，是不是在这个大模型时代，所有上层建筑的差异，最终都可以归结为“我们如何与模型对话”的差异，基本上可以这样理解。

再聊一个稍微轻松简单点的话题

Spec Kit到底有必要嘛，总感觉有点冗余和繁琐

Spec Kit是 GitHub 官方推出的 AI 编程配套工具，专为规格驱动开发（SDD, Spec-Driven Development）

规范是项目唯一的真相来源（Single Source of Truth），代码只是规范的【编译产物】

主要分为5个阶段：

1.宪法阶段，CONSTITUTION.md，定义项目不可违反的全局规则，包括技术栈强制要求、代码质量标准、测试覆盖率、安全合规规则、性能指标等，一次设定全项目生效

2.规格阶段，SPEC.md，明确做什么、为什么做，描述功能需求、用户场景、边界条件、验收标准，不涉及具体技术实现

3.计划阶段,PLAN.md,对应 Plan Model，明确「怎么做」，输出技术选型、架构设计、API 契约、数据模型等完整技术方案

4.任务阶段,TASKS.md,把技术方案拆解为无依赖、可执行、有明确交付物的分步任务清单

5.实现阶段,AI 按任务清单、严格遵循前置规范生成代码，每一步执行结果同步归档，形成可追溯的审计链路

意味着我傻都没搞，上来先整4个文档，麻了

那为什么需要这5步走呢？

Spec Kit 的五阶段强制门控，前一阶段不验收，绝对不能进入下一阶段，核心要解决的是AI coding 痛点：

AI 随意生成代码、需求与代码严重脱节、多人协作标准不统一、高合规项目无法全链路审计追溯

而且4个文档里，不能存在有重复和有交集的内容

比如SPEC 里写了技术实现，PLAN 里又重复写一遍需求，PLAN 里写了具体执行步骤，TASKS 里又拆一遍同一件事

是不是感觉还是很繁琐的

那是不是可以对这个方案做下阉割，搞成自己想对习惯和适应的方案

比如做裁剪

合并宪法 + 规格阶段，输出文档 SPEC.md

合并技术方案 + 任务拆解，输出文档 PLAN.md

然后就是执行了

有时候我也偷懒，直接一个md 😂

需求说明和计划任务建议落到md上

和agent的对话也建议落到md

以及需求变更也落到md, 可以新起一起标题【需求变更部分】

写到这里已经写不动了

修炼心得

AI Coding下，我们还需要手写代码嘛？

大模型和DeepResearch这么猛，我们还需要记笔记写文档嘛，一问一搜铺天盖地的文档资料？而且比你自己的写的好，有深度又全面，自己还写个屁啊？

我个人感觉还是需要的，写代码、记笔记、写文章，能够保持手感、保持状态、保持思考，而不过度依赖AI

生码上可以在方案和代码cr上多花时间和精力，写笔记和文章是提升表达加强思考的最重要的途径了

最近几个月公司AI的文章真是多，仿佛看到了好多好多年前CSDN和博客圆上Java和Spring的文章盛况😂

还有一点感觉就是，再后续各企业会慢慢倾向全栈，只是时间问题，感觉大家应该都有这样的感知

编程语言不再是边界，技术栈也不再是壁垒

因此我也开始玩一些前端生码，学了下python，搞了下minicanda，跑下fastAPI和一些python 机器学习的库

之前搞一个新东西的成本很大，现在花费的时间和精力会减少很多

稳固道心

xxx 最新模型出来了

xxx 用AI 三天写了个爆款app

xxx 又养了个🦐

xxx 公司 xxx 部门全部裁撤

。。。

心魔本质的来源于比较和信息差。你只看到别人“三个月筑基”的结果，没看到人家可能前世就是程序员（有基础），或者背后有高人指点（资源）。就像炼气期弟子只看到天灵根的光环，没看到人家出生在修仙世家，从小用灵药泡大的。

还有一点就是存在意义的动摇。就像修仙者突然被告知：你苦修千年悟出的道，其实只是大道的一粒尘埃；你引以为傲的功法，在上界看来如同儿戏。。。。。。

在AI时代，大部分人应该都会有些焦虑和危机吧

只要抓住火车不掉队，其他的由他去吧，每个人都有自己的路和节奏

稳固道心

天地法则

旧境界的顶峰，不如新境界的入门：炼气十三层大圆满，碰到筑基初期，依然落败。GPT-3.5极致微调 也干不过 GPT-4零样本。

每次变局都会淘汰一批固守旧法的修士：坚守特征工程的，被深度学习淘汰；坚守 LSTM 的，被 Transformer 淘汰；坚守纯手写代码的，被 AI Coding 压制。

结语

修仙之道，贵在悟性，成在坚持。
AI 之道，贵在理解，成在善用。
天道骤变，淘汰的从来不是韩立这样资质平平的人，而是那些以为天道永恒不变的人。

AI对我们的冲击确实非常大，那么，各位道友，大家准备好渡劫了吗？

应对焦虑和危机的不变法门，就是马上行动起来。

铸就强大的内核（筑基）+  健康的身体（炼体）+ 持续不断的学习（吐纳） ->  AI时代超强个体

搞完本文，我终于对AI技术全景初步了解了一些，后面就是从易到难深入各个点

后面有精力和时间的时候，我再以这篇为基础，介绍更多个人学习和实践的内容

初学者，一些内容和观点如果有问题，敬请指正

如果能读到这里，不妨给小弟点赞一波 =-=