什么是agent skills 在AI协作开发的时代，如何让Claude从一个”通用助手”变成”专业专家”？答案就隐藏在Agent Skills技术中。 引言：当AI遇到专业技能想象一下，你有一个全能的AI助手，它能写代码、调试、文档整理，但每次遇到复杂任务时，你都需要详细解释整个流程。这就是传统AI协作的痛点——缺乏专业性和一致性。 Claude Code的Agent Skills技术应运而生，它允许你将专业知识、工作流程和最佳实践封装成可复用的”技能包”，让AI助手能够按照专业标准执行特定领域任务。 什么是Agent Skills？核心定义Agent Skills是一套模块化的能力包，包含指令集、脚本和参考文件，用于教会Claude如何专业地完成特定任务。每个Skill都是一个独立的文件夹，核心是SKILL.md文件，它用YAML定义元数据，用Markdown提供详细执行指令。 技能结构解剖12345my-skill/├── SKILL.md # 核心技能定义文件├── examples/ # 使用示例├── templates/ ...

Go 编写 MCP Server 教学（基于官方 go-sdk）1. MCP 是什么MCP（Model Context Protocol）可以理解为让大模型通过标准协议调用你程序能力的一套规范。 你写一个 MCP Server，本质就是： 声明自己是谁（服务名、版本） 注册可调用能力（Tool） 在 Tool 被调用时返回结构化结果 通过某种传输方式对外提供服务（最常见是 stdio） 2. Go 里推荐用哪个库官方 Go SDK： github.com/modelcontextprotocol/go-sdk/mcp 安装依赖： 1go get github.com/modelcontextprotocol/go-sdk/mcp 3. 写一个 MCP Server 需要哪些核心组件3.1 Server 实例作用：承载所有功能（tools/resources/prompts）。 核心函数： mcp.NewServer(impl *mcp.Implementation, options *mcp.ServerOptio...

Ollama 完全指南目录 Ollama 简介 安装与基本用法 API 端点详解 文本生成 对话聊天 向量嵌入 模型管理 Go 语言示例 安装依赖 使用官方客户端 直接 HTTP 调用 完整示例 Ollama 简介Ollama 是一个开源的本地大语言模型（LLM）运行框架，允许用户在本地计算机上运行和部署各种开源 AI 模型。它提供了一个简单易用的 API 接口，支持模型管理、文本生成、对话聊天、向量嵌入等功能。 主要特性： 本地运行，无需联网 支持多种开源模型（Llama、Mistral、Qwen 等） 提供 RESTful API 接口 支持流式响应 提供 OpenAI 兼容 API 模型管理（下载、删除、复制等） 默认地址： http://localhost:11434 安装与基本用法安装 Ollama12345# macOS/Linuxcurl -fsSL https://ollama.ai/install.sh | sh# Windowswinget install Ollama.Ollama 基本命令1234567891011# 拉取模型ollama ...

关键字渐进式可视化，交互式可视化，查询优化，时间序列 问题背景在很多场景（金融、交通、制造等）中，我们都会有海量时间序列数据。 分析者往往要做一些点对点的变换（point-wise transformation），比如： 单序列操作：对每个时间点取对数、标准化； 跨序列操作：两个时间序列相减，看它们的差； 聚合操作：计算累积收益（如股票例子）。 这些变换之后还要马上可视化来观察趋势。但是数据太大（百万甚至十亿级），每次完整计算变换都非常耗时； 而可视分析要求实时交互（几百毫秒内响应）。 相关工作可视化驱动的聚合方法：M4，OM3等 原理：图像是由像素组成的，比如一张 1000 像素宽的图，就算原数据有 1 亿点，也只需要每个像素列里能代表形状的极值（最小值、最大值、起点、终点）。 这样就能快速画出「完全一致」的图形，不用处理全部数据。 问题： 它们只能用于原始时间序列，无法处理变换后的时间序列。这类方法必须先算出变换后的完整数据，才能再聚合绘图，复杂度O(n)，仍然慢。当需要可视化转换后的时间序列时，它们在渲染之前需要完整的转换结果。因此，用户必须等待昂贵的计算完成才能获得...

OM3阅读笔记关键字渐进式可视化，交互式可视化，支持缩放，平移等操作，增量树，时间序列 问题背景几乎所有现有技术都需要将整个数据快速加载到客户端以实现高效渲染。然而，对于存储在远程数据库中的大型时间序列数据，延迟通常很高。这阻碍了在不同分辨率下对时序数据进行平滑的交互式探索。 减少延迟的方法： 数据降维：通过在可视化之前聚合数据以减小其大小。为了在降维过程中保留显著特征，已经提出了多种策略。然而，它们大多没有考虑例如调整显示大小等感知效应，因此经常产生错误的可视化，从而显著扭曲渲染数据的形状。例子：M4 渐进式可视化：可视化立即渲染用户可以潜在交互的中间结果，而不是等待缓慢的查询。它使用基于在线采样的技术来逐步揭示显著特征，每次更新都会发送一个新的结果集进行可视化，因此网络成本与更新次数呈线性关系。例子：IncVisage 本文实现：OM3 是一种有序的多级最小-最大表示法。在每个时间间隔中维护最小值和最大值，这些值用于在显示窗口中以宽度为 2 的像素列中光栅化第 i 级（0 < i < ⌈log n⌉）的像素列。此外，它还跟踪叶级成对的最小值和最大值的时序顺序。为...