场景库

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.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.在IDE中安装AI编程插件（Cursor或Copilot）
2. 2.为AI提供足够的上下文（项目说明、技术栈）
3. 3.用自然语言描述需求，让AI生成代码框架

实现步骤

1. 1.整理企业文档：从 Confluence/飞书导出 PDF/Markdown 文件
2. 2.安装依赖：pip install chromadb langchain anthropic
3. 3.编写文档加载脚本：读取文件、切分成 500-1000 字的 chunk、生成向量并存入 Chroma

实现步骤

1. 1.在项目根目录创建 .mcp.json，配置 GitHub MCP 和 filesystem MCP
2. 2.创建 CLAUDE.md 定义 Code Review 规范和输出格式（🔴🟡🟢 分级）
3. 3.在 Claude Code 中测试 "review PR #1" 验证工作流

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.在 Cursor 中安装 GitHub MCP Server
2. 2.设置代码 Review 提示词模板
3. 3.触发自动 Review 并查看建议

实现步骤

1. 1.配置数据库 MCP Server 连接到目标库
2. 2.设置只读权限保障数据安全
3. 3.编写系统提示词，描述数据库表结构

实现步骤

1. 1.配置 filesystem MCP 让 AI 读取代码库
2. 2.让 AI 分析 Controller/Route 层代码
3. 3.自动识别接口参数和返回值结构

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.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.打开Claude Code（Fable 5或Codex），输入一句话需求，例如‘用HTML和JS复刻经典坦克大战，包含前十关’。
2. 2.等待AI自动编写代码、生成游戏逻辑、绘制像素风格画面，无需干预。
3. 3.提出升级需求，例如‘将像素风格升级为3D，使用Three.js，支持视角旋转和缩放’。

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.使用Opik装饰器（@opik.track）对智能体代码进行埋点，实现全链路运行监控，自动记录每次大模型调用、工具调用及耗时、Token消耗等数据。
2. 2.当智能体出现故障时，利用Opik内置编码智能体Ollie分析运行跨度树，定位故障根因；在项目根目录执行opik connect开启代码修复模式，Ollie会生成代码修改差异文件（Diff），人工审批后自动应用修复。
3. 3.使用Opik测试套件以自然语言编写测试断言（如“响应必须包含具体交易详情”），执行自动化测试，确保修复不影响原有功能。

实现步骤

1. 1.通过装饰器@opik.track为智能体代码添加全链路追踪，自动记录每次调用、工具使用及耗时。
2. 2.在项目根目录执行opik connect开启代码修复模式，Ollie智能体将自动分析故障轨迹并定位问题代码行。
3. 3.审查Ollie生成的代码修改差异（Diff），确认后允许其应用修复并自动重测。

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.安装Vanna 2.0：pip install vanna，确认版本为v2.0.2或更高。
2. 2.配置数据库连接：在代码中设置数据库类型（如PostgreSQL、MySQL）和连接参数。
3. 3.训练知识库：运行vanna.train()，传入DDL、文档或历史SQL，自动向量化存入ChromaDB。

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。