# 人工智能（13）

从模型、工具、状态记忆、运行时循环与安全边界出发，系统拆解智能体的核心架构，说明它与固定工作流的差异，并通过一个可调用计算器和时间查询工具的 Python 单文件示例，展示从决策、执行到反馈的完整 Agent Loop。

从零认识 DeepSeek Harness 插件系统，理解 name、inject 与 apply 三件套、ctx 事件总线、本地安装、热更新和生命周期清理，并通过事件记录器与桌宠实例建立可实践的插件开发心智模型。

DeepSeek Harness 是以“一切皆插件”为核心的开源 Agent 运行框架。文章系统梳理其 Cordis 架构、接缝抽象、配置层叠、多入口形态、内置工具、安全机制与上下文工程，帮助开发者判断其应用和扩展价值。

为了给客户演示安卓巡检 APP，借助 Codex 快速开发了一款简洁稳定的 Mac 投屏工具 MacProjector，支持 USB 有线和无线投屏。

系统说明 MCP 如何用统一协议连接 AI 应用与外部系统，梳理 Host、Client、Server 的职责，以及 Tools、Resources、Prompts、JSON-RPC 生命周期、传输方式和安全授权边界。

在内容网站中加入 Chatbot，真正有价值的并不是多一个聊天浮窗，而是让访客能用自然语言检索文章、理解内容并获得带来源的回答。本文以 Nuxt 3、Spring Boot 3、Spring AI 和 Milvus 为例，拆解一套从最小对话到 RAG 知识问答的完整实现。

Prompt Injection（提示注入）是大模型应用最重要的安全风险之一。攻击者把恶意指令放入用户消息、网页、邮件、文档、图片、检索结果或工具返回值，诱导模型偏离应用原本的目标，进而泄露数据、错误调用工具或生成危险内容。

指令调优（Instruction Tuning）是使用“任务指令—输入—目标响应”数据继续训练语言模型，使它更稳定地理解任务、遵循输出约束，并将这种能力迁移到未见过的指令表达。它通常属于监督微调（SFT），也是现代模型后训练流程的重要组成部分。

“提示工程（Prompt Engineering）”是使用大模型（如 GPT、Claude、Gemini、文心等）时最核心、最具影响力的能力之一。 它决定了模型能否正确理解你的意图、输出高质量内容、甚至具备“专家级”行为。

向 GPT-3.5 灌入新知识是 企业级大模型应用落地 的核心之一：如何让 GPT-3.5 “懂你自己的知识”，即在不重新训练模型的前提下，让它回答基于私有数据的问题。

大模型应用架构通常分为四个核心层次：

写作与润色：写文章、报告、小说、邮件、文案、简历、学术论文等。