场景库

实现步骤

1. 1.用 fetch MCP 定期抓取竞品官网内容
2. 2.Perplexity 搜索竞品相关新闻和社交讨论
3. 3.AI 分析变化趋势并提炼关键洞察

实现步骤

1. 1.安装 SWE-agent 并配置 GitHub Token
2. 2.设置触发规则（Label 为 "auto-fix" 的 Issues）
3. 3.Agent 分析 Issue 和相关代码

实现步骤

1. 1.整理并导出 Notion/Obsidian 笔记
2. 2.在 Dify 创建知识库并上传文档
3. 3.配置 RAG 参数（分块大小、相似度阈值）

实现步骤

1. 1.安装并配置 Sentry MCP 和 K8s MCP
2. 2.设置监控阈值和触发条件
3. 3.Agent 接收告警后自动分析堆栈跟踪

实现步骤

1. 1.连接 PostgreSQL 数据库存储财务数据
2. 2.配置历史对比和行业基准阈值
3. 3.AI 自动计算关键财务比率

实现步骤

1. 1.在 GitHub Actions 中配置 PR 触发工作流
2. 2.提取 PR 的 diff 内容，格式化为结构化格式
3. 3.用 Claude API 分析代码变更，检测安全/性能/规范问题

实现步骤

1. 1.用 Python 从数据库提取用户行为指标（活跃频次、功能使用、付费记录）
2. 2.AI 自动对用户进行 RFM 分层（Recency/Frequency/Monetary）
3. 3.AI 对每个用户群生成自然语言特征描述和运营建议

实现步骤

1. 1.需求分析：明确质检标准（外观缺陷类型、尺寸公差），评估产线布局，选择工业相机和边缘计算设备
2. 2.数据采集：收集 5000+ 张缺陷样本图片（合格品+各类缺陷），使用 Labelme 进行像素级标注
3. 3.模型训练：基于 YOLOv11 微调目标检测模型，在内部数据集上实现 99.2% 准确率

实现步骤

1. 1.报案数字化：开发微信小程序报案入口，客户提交事故照片/视频、证明文件；AI OCR 自动提取关键信息（事故时间、损失描述、金额），结构化存储
2. 2.AI 初审：GPT-4o Vision 分析事故照片，自动判断损坏程度、估算维修成本；NLP 模型分析文字描述，与历史案例和条款对比，生成初审意见
3. 3.欺诈识别：用机器学习模型对比申请人历史理赔记录、事故模式、提交图片元数据，高风险案件自动标记送人工复核

实现步骤

1. 1.语音录入部署：在诊室安装降噪麦克风，接入讯飞医疗 AI 语音识别，支持实时将医生口述转为结构化病历字段（主诉/现病史/体征/诊断），医生确认即录入 HIS 系统
2. 2.辅助诊断集成：基于医院历史 200 万份病例训练的 AI 诊断辅助系统，在医生录入症状后实时推送"类似病例的常见诊断+建议检查项目"供医生参考
3. 3.数据脱敏与隐私保护：所有病历数据在医院本地服务器处理，AI 模型训练采用联邦学习+差分隐私，符合《个人信息保护法》和《数据安全法》要求

实现步骤

1. 1.AI 广告投放优化（流量）：接入巨量引擎 AI 自动出价，AI 测试 50+ 套广告素材组合（标题/图片/视频），自动淘汰低效素材，头部素材持续放量，整体 ROI 从 2.1 提升至 3.6
2. 2.AI 详情页升级（转化）：用 Midjourney 生成 AI 模特图替代实拍，降低成本 60%，同时 AI 分析竞品详情页结构，优化卖点展示顺序，转化率从 2.8% 提升至 4.2%
3. 3.AI 客服 24/7（转化）：上线 AI 客服处理 65% 的标准咨询，响应时间从 5 分钟降至 20 秒，购买前咨询转化率提升 18%

实现步骤

1. 1.配置 filesystem MCP 读取 PDF 合同
2. 2.编写专业的合同审查提示词
3. 3.Claude 逐条分析关键条款

实现步骤

1. 1.配置数据库 MCP 连接财务系统
2. 2.定义报告模板和分析维度
3. 3.AI 自动生成 SQL 查询并分析数据

实现步骤

1. 1.确定目标专利范围和关键词
2. 2.通过 fetch MCP 下载 USPTO/EPO 专利文档
3. 3.Claude 分析专利权利要求书和技术方案

实现步骤

1. 1.输入 PICO 格式的研究问题
2. 2.AI 搜索 PubMed 和 arXiv 相关论文
3. 3.按纳入/排除标准筛选文献

实现步骤

1. 1.梳理客户健康度指标：登录频率、功能使用率、工单数量、合同到期时间
2. 2.在 n8n 配置 HubSpot Trigger，每日拉取账户数据
3. 3.用 postgres MCP 接入产品使用日志数据库

实现步骤

1. 1.交通流量数据采集：在主要路口部署摄像头和地磁传感器，收集车流量、车速、排队长度等实时数据
2. 2.构建交通模型：用 Python + TensorFlow 训练路口流量预测模型，学习一天不同时段的流量规律
3. 3.智能信号优化算法：基于实时流量数据动态调整信号配时，减少不必要的等待

实现步骤

1. 1.数据基础建设：整合历史配送数据（路线、时效、成本）、实时路况 API（高德）、站点容量数据，建立统一数据平台
2. 2.AI 路线规划：用 Google OR-Tools 构建车辆路径问题（VRP）模型，每天早 6 点自动生成全天最优配送路线，考虑时间窗口、载重限制、司机工时
3. 3.动态调度：实时监控配送进度，当出现延误（事故/路况变化）时，AI 在 30 秒内重新规划受影响区域的配送路线

实现步骤

1. 1.ABC 分析 + 热力图库位优化：分析 6 个月出库频率，将高频出库 SKU（A类，占总量 20%）调配至靠近出货区的黄金库位，减少拣货行走距离
2. 2.AI 拣货路径规划：基于 OR-Tools 实现仓库内最短路径算法，将随机拣货改为"批量波次+最短路径"模式，每单平均行走距离减少 35%
3. 3.异常检测 AI：训练计算机视觉模型识别货物错放、标签模糊、包装破损，在包装前自动拦截，错误率从 0.8% 降至 0.15%

实现步骤

1. 1.数据体系建设：接入高德 POI 数据（周边商业密度）、客流热力图（工作日/周末分布）、竞品门店分布、租金数据库，建立选址数据底座
2. 2.AI 评分模型：训练基于历史门店数据的选址评分模型，输入候选地址，输出综合评分（目标客群密度/竞争程度/租金承受比/交通便利性）
3. 3.盈利预测：根据选址评分和历史同等评分门店的营收数据，生成新店 12 个月营收预测区间和盈亏平衡时间预估

实现步骤

1. 1.缺陷数据库建设：系统化采集 3 年历史质检数据，收集 15 类缺陷样本图片各 500+ 张（划痕/气泡/偏心/脏污等），进行专业标注，建立标准化缺陷图像数据集
2. 2.检测模型训练：基于 YOLOv8 和 ResNet 架构，训练多任务检测模型（同时检测位置缺陷+外观缺陷），在测试集上实现 99.3% 准确率，误检率控制在 0.5% 以下
3. 3.产线集成部署：在关键工位安装工业相机（500W 像素+远心镜头），边缘计算服务器实时处理图像（单张检测 < 150ms），检测结果实时推送至 MES 系统

实现步骤

1. 1.建立五层记忆体系：创建Enterprise级CLAUDE.md写入安全合规策略，Project级文件控制在200-300行记录团队规范，Rules级按路径条件化加载细分规范，Local级存放个人备忘并加入.gitignore。
2. 2.配置上下文分诊机制：将候选信息分为P0-P3四个等级，仅将核心日志和历史工单句柄注入上下文，将Token消耗从18K压缩至2K，提升信噪比。
3. 3.实现结构化输入与Stop Hook门禁：避免模糊Prompt，提供具体函数和行号；配置Stop Hook自动运行lint和单元测试，测试未通过则阻断提交并让AI自愈。

实现步骤

1. 1.在Claude Code中使用/loop指令或ultracode触发词创建动态工作流，系统将自动生成JavaScript编排框架。
2. 2.定义任务目标并选择编排模式，如分类执行（Classify-and-act）或扇出综合（Fan-out-and-synthesize），Claude会现场生成子智能体协调方案。
3. 3.利用Automations或/loop设置定时调度（如每5分钟），让循环自动发现任务、分配工作并校验结果。

实现步骤

1. 1.部署文档解析平台（如RAGFlow DeepDoc或PaddleOCR-VL），对PDF、扫描件、图纸等文档进行版面分析、表格还原和结构提取。
2. 2.将解析后的结构化内容（Markdown/JSON）切片，构建向量索引（如Infinity）和全文索引（如Elasticsearch），并可选集成知识图谱。
3. 3.设计离线入库流程：文档解析→切片→向量化→索引构建；在线问答流程：query改写→混合检索→重排序→LLM生成。

实现步骤

1. 1.评估Agent对记忆的需求：确定是否需要长期上下文、偏好遵循和时效更新，选择RAG、知识图谱或Dreaming等架构。
2. 2.设计记忆存储方案：采用向量数据库（如Pinecone）或图数据库（如Neo4j）存储结构化与非结构化记忆。
3. 3.实现记忆写入机制：通过用户显式指令或后台自动提取（如Dreaming V0/V3）将对话历史转化为持久记忆。

实现步骤

1. 1.检查老师模型是否满足两个核心条件：思维模式兼容（初始重叠率高）且具备学生未有的新能力（如额外RL训练获得）。
2. 2.若老师条件不足，优先选择同家族、经过额外RL训练的模型，或使用多教师OPD整合多个专家能力。
3. 3.在现有RL框架中，将优势函数替换为教师与学生log ratio的reverse KL散度，实现单行代码接入OPD。

实现步骤

1. 1.评估当前MAS工作流是否固定，若固定则使用MASPOB基于Bandit算法联合优化各Agent的Prompt，在50次评估内提升性能。
2. 2.若需去中心化协调，部署EoM框架，通过拍卖、交易和财富机制让Agent自动分工协作，无需中央控制器。
3. 3.对链式或图式MAS，采用StreamMA流式通信，上游每步推理立即转发下游，实现流水线并行，降低延迟并提升准确性。

实现步骤

1. 1.部署TingIS系统，配置数据采集层实时捕获用户投诉原声流。
2. 2.在语义蒸馏模块中利用LLM将原始投诉压缩为标准化短摘要并脱敏PII。
3. 3.搭建级联路由机制，以关键词匹配保障核心业务精度，以多路向量检索兜底长尾场景。

实现步骤

1. 1.部署RAGFlow并配置DeepDoc模块，支持PDF、DOCX等多格式文档的智能解析与知识切片。
2. 2.搭建向量数据库（如Infinity）和Elasticsearch，构建文本索引与向量索引，实现混合检索。
3. 3.设计离线入库流程：文档解析→切片→向量化→索引构建，确保知识覆盖全面。

实现步骤

1. 1.明确任务类型：区分终身演化（个人状态/任务状态动态变化）与智能体执行（基于真实观察与反馈生成记忆）两类场景。
2. 2.选择记忆架构：根据任务动态性和多模态需求，从长上下文模型、RAG+外部记忆系统、工具驱动记忆三种范式中选型。
3. 3.设计记忆生命周期：按写入、维护、检索、使用四阶段定义记忆管道，确保每阶段可观测、可诊断。

实现步骤

1. 1.使用本体建模工具（如Protégé）定义业务实体、关系和规则，构建领域本体。
2. 2.将本体集成到Agent框架中，作为行为约束和上下文检索的语义底座。
3. 3.在Agent执行前，从本体中抽取与任务相关的语义子图，动态注入推理上下文。

实现步骤

1. 1.确认任务是重复的、有自动校验手段、token预算充足、Agent能运行自己写的代码，且你愿意审查产出。
2. 2.先手动运行一次任务流程，确保稳定，再沉淀为Skill文件记录项目背景、规范和已知坑点。
3. 3.创建状态文件（如Markdown）记录任务进度、已完成项和待办事项，作为持久化记忆。

实现步骤

1. 1.定义智能体的Persona：设置身份简介、规则文件、记忆上下文和知识库，明确角色定位与知识边界。
2. 2.配置Workflow：通过触发器、会话计划和决策日志，将复杂任务分解为自动化步骤流程。
3. 3.集成Capability：添加斜杠命令、混合执行、嵌入向量和技能体系，构建功能工具箱。

实现步骤

1. 1.部署RAGFlow开源框架，配置DeepDoc模块用于文档解析。
2. 2.上传企业文档（PDF、Word等），利用OCR和布局识别提取结构化内容。
3. 3.将解析后的文本切片，调用Embedding模型生成向量，存入向量数据库Infinity。

实现步骤

1. 1.梳理Agent业务需求，明确需要长期记忆（持久化知识）还是短期记忆（会话上下文），以及记忆的粒度（如实体、关系、对话摘要）。
2. 2.调研主流记忆框架：Mem0（简洁易用）、Graphiti（图谱关联）、Hermes（高效）、OpenClaw（灵活），根据存储设计（向量、图、键值）和扩展性选型。
3. 3.使用n8n或LangGraph构建Agent记忆管理节点，将记忆存储与检索封装为可复用的组件，支持长期记忆的写入、更新和过期策略。

实现步骤

1. 1.在AI编程中，通过AST解析和代码切片控制输入上下文，约束模型输出，并建立人工Review与双模型交叉复核机制。
2. 2.针对老旧系统，先构建代码图谱，按分层分域切片，再逆向生成PRD、流程图和架构图，实现自动化重构。
3. 3.运维场景中，采用“规则先行、模型辅助”策略，先固化专家规则，再引入大模型辅助诊断，确保建议可验证、可回滚。

实现步骤

1. 1.分析当前Token消耗构成，区分用户输入、系统提示词、工具调用、上下文检索等各部分占比。
2. 2.优化上下文检索层，使用精细化索引（如Glean）替代通用MCP工具，减少冗余信息加载。
3. 3.实施多模型混合调度，将标准化任务分配给轻量化模型，仅核心差异化环节使用前沿大模型。

实现步骤

1. 1.设定明确的目标和评判标准，作为循环的反馈依据。
2. 2.搭建带反馈的运行环境，让 Fable 5 在循环中接收反馈并自主修正。
3. 3.使用独立评分子代理在隔离上下文窗口中完成打分核验，确保评判客观。

实现步骤

1. 1.根据业务负载选择记忆架构：对话问答选混合系统，事实时序推理选图谱，短时轻量对话选序列存储。
2. 2.在提取阶段保守留存完整上下文，将过滤与压缩后置到查询阶段，避免提前丢失关键细节。
3. 3.检索采用稠密+稀疏均衡的混合检索，搭配轻量级查询规划，不增加冗余反思步骤。

实现步骤

1. 1.搭建 ReAct 编排循环：实现思考-行动-观察的 while 循环，管理 LLM 调用、工具执行和结果反馈。
2. 2.注册工具并定义 schema：为每个工具提供名称、描述和参数类型，注入 LLM 上下文，并实现沙盒执行与结果格式化。
3. 3.实现分层记忆系统：短期记忆使用对话历史，长期记忆持久化到文件或数据库，并设置轻量级索引与按需拉取机制。

实现步骤

1. 1.梳理核心业务实体、关系、事件和可执行动作，构建领域本体模型。
2. 2.将本体接入AI引擎，作为大模型推理的语义约束与上下文骨架。
3. 3.定义基于本体的业务规则和权限，限定Agent的行为边界。

实现步骤

1. 1.明确记忆需求：确定是否需要跨会话持久化、冲突处理、自动遗忘等功能，以及期望的检索延迟和存储整洁度。
2. 2.对比框架设计：阅读Mem0、Supermemory、Letta官方文档，理解其核心机制——Mem0追加写入+检索消解冲突、Supermemory异步梦境整合、Letta自主记忆调度。
3. 3.选择并安装框架：根据项目场景选择一款（如Mem0适合低延迟写入），通过pip或npm安装对应SDK，并配置API密钥。

实现步骤

1. 1.部署RAGFlow或类似框架，配置文档解析模块（如DeepDoc），支持PDF、DOCX等格式，提取文本、表格、图片并保留层级结构。
2. 2.搭建离线处理流程：对文档进行OCR识别、版面分析、表格解析、公式识别，然后切片并生成向量索引（使用Embedding模型）和全文索引（如Elasticsearch）。
3. 3.构建知识图谱：从解析后的文档中提取实体和关系，构建图索引，用于支持多跳推理和细粒度问答。

实现步骤

1. 1.在.claude/agents/目录下创建builder.md，定义只负责写和修代码的Agent，赋予Read、Write、Edit等工具，并设定红线（绝不弱化测试）。
2. 2.在.claude/agents/目录下创建checker.md，定义只负责检查的Agent，仅赋予Read、Grep、Glob、Bash工具，确保无法修改代码，并指定报告格式。
3. 3.在.claude/commands/目录下创建loop.md，注册为/loop命令，编写编排逻辑：先对齐目标，然后循环调用builder和checker，直到checker输出ALL GREEN。

实现步骤

1. 1.理解 Agent Harness 本质：它是包裹 LLM 的完整基础设施，包括编排循环、工具、记忆、上下文管理、状态持久化、错误处理和安全护栏，而非简单的提示词包装。
2. 2.设计编排循环：实现思考-行动-观察（TAO/ReAct）循环，使用 while 循环管理轮次，将智能交给模型，Harness 仅负责轮次管理。
3. 3.定义工具层：以 schema 形式注册工具（名称、描述、参数类型），实现参数提取、沙盒执行、结果捕获和格式化，参考 Claude Code 的六类工具或 OpenAI 的函数工具。

实现步骤

1. 1.设计六层记忆服务体系：隐式提取→显式保存→截断保护→会话归档→快照缓存→记忆消毒，实现记忆动态生命周期管理。
2. 2.采用记忆工程与知识工程双轨架构，将上下文窗口视为工作内存（RAM），外部记忆系统视为持久化存储（磁盘），明确分层。
3. 3.使用VISION.md等锚定文件固定基础上下文，通过磁盘或Git持久化任务状态，避免每次会话从头开始。

实现步骤

1. 1.强制实体强锚定：在调用任何风险类接口前，先通过统一社会信用代码锁定主体，名称模糊时返回候选清单或明确“未唯一匹配”，禁止模型猜测。
2. 2.实施强语义负向防御：将空数组返回替换为带明确语义的状态码，例如“经全量核查，当前未发现【严重违法】记录”，避免模型脑补。
3. 3.采用上下文脱水：返回摘要先导+按需明细，控制单次数据量，配合参数下推和分页降噪，减少token消耗和关键信息淹没。

实现步骤

1. 1.搭建Multi-Agent协作框架，定义各子Agent职责（如取数Agent、归因Agent）。
2. 2.引入记忆管理层，区分短期上下文（当前会话）与长期偏好（用户历史行为）。
3. 3.使用Harness进行工具编排，将取数、归因等能力封装为标准化Skill。

实现步骤

1. 1.安装Mem0库并初始化Memory对象，使用add()方法传入对话消息和用户ID，自动提取事实并追加存储。
2. 2.调用search()方法进行混合检索（语义向量+BM25关键词+实体匹配），传入查询和过滤器，获取Top-K相关记忆。
3. 3.集成openJiuwen社区的AutoGenetic Memory，配置L0-L3分层记忆体系，将原始对话、摘要、结构化记忆和用户画像分层存储。

实现步骤

1. 1.克隆MobileForge仓库并安装依赖，参考GitHub上的安装指南。
2. 2.配置目标App的APK文件或模拟器环境，启动MobileGym进行自动探索。
3. 3.运行MobileGym-Curriculum，基于探索轨迹自动生成可执行任务课程。

实现步骤

1. 1.使用DocLayout-YOLO等版式分析模型对文档进行区域检测，划分正文、标题、表格、图片等区块。
2. 2.对表格区块调用SLANet-plus或自研模型解析为HTML/Markdown格式，对公式区块转为LaTeX语法。
3. 3.利用OCR（如PaddleOCR）提取文本区块内容，并按阅读顺序排序，恢复为结构化Markdown文档。

实现步骤

1. 1.用 Rule（规则约束）、Skill（流程约束）、Hook（技术约束）三层机制强制约束 Agent 行为，能用工具约束的就不靠 Prompt。
2. 2.实施认知隔离：强制启用独立 Subagent 进行代码评审，绕过模型自我维护已有代码的认知偏差。
3. 3.将复杂任务拆解为多个职责单一的 Agent 角色，采用串行接力（落盘通信）、阻塞确认（人工 gate）、独立 Subagent 三种协作链路。

实现步骤

1. 1.梳理数仓中的核心数据查询与分析场景，将其拆解为可复用的Skill（如销售查询、库存分析等）。
2. 2.为每个Skill编写自然语言接口描述和参数定义，并注册到Agent的Skill注册中心。
3. 3.构建业务知识库，包含表结构说明、业务术语、计算逻辑等，用于辅助Agent理解用户意图。

实现步骤

1. 1.与Claude协作编写转换规则文档，明确语义映射和生命周期对照表。
2. 2.将代码库按模块拆分，利用Claude并行处理多个文件，每批分配64个AI智能体。
3. 3.实施双AI对抗式评审：一个智能体编写代码，另两个独立智能体专门挑错。

实现步骤

1. 1.设计一个自动化工作流，包含规划、执行、观察/测试、改进的闭环循环，让模型能在其中运行和迭代。
2. 2.使用文件系统作为持久化记忆，将实验日志、代码差异、错误追踪等产出物存储在文件中，避免超出上下文窗口。
3. 3.实现子智能体与后台任务机制，允许主智能体派生子智能体并行执行任务，并通过进程管理器监控和汇总结果。

实现步骤

1. 1.梳理企业核心业务指标（如营收、客户），统一口径并建立语义层，将业务含义显式映射到数据字段。
2. 2.部署统一元数据系统（如Apache Gravitino）作为控制平面，实现跨引擎、跨格式、跨云的元数据集中管理与发现。
3. 3.设计Agent访问数据的细粒度权限模型，区分读一行与全表扫描的敏感级别，基于意图而非角色授权。

实现步骤

1. 1.设计记忆架构：采用Memora解耦式设计，将每条记忆分为核心摘要（6-8词）、线索锚点（多组短标签）和原始内容，仅对摘要和锚点建立索引。
2. 2.集成记忆存储：使用ChromaDB等向量数据库存储记忆，并配置多存储后端支持（本地/远程），实现记忆去重、合并与自动更新。
3. 3.实现多策略检索：集成语义检索、LLM引导检索、混合检索（向量+BM25）和GRPO强化检索，根据场景选择或组合使用。

实现步骤

1. 1.从GitHub仓库（https://github.com/inclusionAI/SingGuard）下载SingGuard和SingGuard-NSFA源码及模型权重，选择适合业务规模的模型尺寸（0.8B/2B/4B/9B）。
2. 2.部署SingGuard作为内容安全网关，配置文本、图片、图文混合内容的违规检测规则，并设置风险等级阈值，拦截用户输入和模型输出中的违规内容。
3. 3.部署SingGuard-NSFA，选择审计模式或实时拦截模式：审计模式用于离线日志分析，实时拦截模式延迟约50ms，可集成到Agent执行链路中，在工具调用前进行风险判定。