企业官网建设流程全解析

做网站推广运营前景,哈尔滨建站模板搭建,安徽省住房建设工程信息网站,网站建造免费一、背景#xff1a;为什么需要动态上下文发现 编码 Agent 正在快速改变软件构建方式。其能力提升来自两方面#xff1a;更强的 Agent 模型 更好的上下文工程#xff08;Context Engineering#xff09;。 Cursor 的 Agent 框架#xff08;agent harness#xff09;会…一、背景为什么需要动态上下文发现编码 Agent 正在快速改变软件构建方式。其能力提升来自两方面更强的 Agent 模型更好的上下文工程Context Engineering。Cursor 的 Agent 框架agent harness会针对每个前沿模型单独优化但有一类上下文工程改进是模型无关的——如何收集上下文、如何在长轨迹中优化 token 使用。Cursor 团队发现随着模型变强预先提供更少细节、让 Agent 自主拉取相关上下文效果反而更好。这就是动态上下文发现Dynamic Context Discovery的核心思想与传统的静态上下文Static Context始终包含在 prompt 中形成对比。类型定义问题静态上下文始终包含在 prompt 中的固定信息占用 token、可能造成混淆或矛盾动态上下文Agent 按需拉取的相关信息token 效率高、回复质量更好动态上下文发现的优势只将必要数据拉入上下文窗口减少可能造成混淆或矛盾的信息量提升 Agent 回复质量二、核心架构文件作为统一抽象Cursor 实现动态上下文发现的核心载体是文件Files为什么选择文件官方博客原文It’s not clear if files will be the final interface for LLM-based tools. But as coding agents quickly improve,files have been a simple and powerful primitiveto use, and a safer choice than yet another abstraction that can’t fully account for the future.文件的优势统一接口所有信息源都可以用文件表示工具生态tail、grep、rg、jq等标准工具开箱即用惰性加载Agent 按需读取无需一次性加载面向未来相比复杂抽象文件是更安全的选择三、5 大动态上下文策略详解策略 1长工具响应 → 文件化问题工具调用Shell 命令、MCP 调用可能返回巨大的 JSON 响应显著膨胀上下文窗口。常见做法截断长输出 → 可能丢失重要信息。Cursor 做法关键细节Cursor 的一方工具如文件编辑、代码搜索通过智能工具定义和最小响应格式防止膨胀第三方工具Shell、MCP没有这种原生优化所以写入文件Agent 用tail检查末尾多数结论在末尾按需读取更多收益减少接近上下文上限时触发的不必要摘要。策略 2摘要时保留历史引用问题上下文窗口填满后触发摘要summarization但摘要是有损压缩Agent 可能遗忘关键细节。Cursor 做法将对话历史持久化为文件如transcript.txt摘要后给 Agent 一个指向历史文件的引用Agent 如果发现摘要中缺失细节可以搜索历史文件恢复图示Agent 完成实验后上传结果到 S3触发上下文摘要。后续用户请求更新元数据时Agent 发现摘要中缺失 S3 路径通过搜索agent transcript恢复了完整信息。触发时机自动达到上下文窗口上限手动用户输入/summarize策略 3支持 Agent Skills 开放标准Agent Skills是由Anthropic 提出的开放标准用于为编码 Agent 扩展专用能力。Cursor支持Supporting该标准。注Agent Skills 标准已被 Cursor、Claude Code、GitHub Copilot、VS Code 等主流工具采用具备跨平台可移植性。Skills 的构成遵循 Anthropic 规范!-- SKILL.md -----name: deploy-k8sdescription: 将应用部署到 Kubernetes 集群---# Deploy to Kubernetes## 使用说明...## 可执行脚本- ./scripts/deploy.sh动态发现机制Skills 的名称和描述作为静态上下文包含在系统提示中Agent 需要时通过grep或 Cursor 的语义搜索拉取完整 Skill 定义Skills 可以打包可执行文件或脚本Agent 可以轻松找到相关内容策略 4MCP 工具惰性加载问题MCP 服务器通常包含大量工具描述往往很长大部分工具实际不会被使用但始终包含在 prompt 中多个 MCP 服务器会进一步放大问题Cursor 的设计哲学We believe it’s the responsibility of thecoding agentsto reduce context usage.减少上下文使用是编码 Agent 的责任而非期望每个 MCP 服务器自己优化Cursor 做法关键设计决策来自官方脚注We considered a tool search approach, but that would scatter tools across a flat index. Instead, we createone folder per server, keeping each server’s tools logically grouped. When the model lists a folder, it sees all tools from that server together and can understand them as a cohesive unit. Files also enable more powerful searching. The agent can use fullrgparameters or evenjqto filter tool descriptions.每个 MCP Server 一个文件夹而非扁平索引Agent 列出文件夹时能看到该 Server 的所有工具理解为一个整体支持强大的搜索能力rg参数、jq过滤实测效果在调用 MCP 工具的运行中该策略将 Agent **总 token 消耗减少 46.9%**统计显著但会随已安装 MCP 数量产生较大波动额外收益可向 Agent 传达工具状态。例如如果 MCP 服务器需要重新认证以前 Agent 会完全忘记这些工具用户会困惑现在 Agent 可以主动提示用户重新认证。策略 5终端会话 → 文件同步传统做法用户需要手动复制终端输出粘贴给 Agent。Cursor 做法集成终端的输出自动同步到本地文件系统用户可以轻松问「为什么我的命令失败了」Agent 能理解引用终端历史可能很长Agent 可以grep只获取相关输出官方原文This mirrors what CLI-based coding agents see, with prior shell output in context, butdiscovered dynamically rather than injected statically.这与 CLI 编码 Agent如 Claude Code看到的内容一致——之前的 Shell 输出在上下文中但是动态发现而非静态注入。四、长历史上下文的压缩策略除了 5 大动态策略Cursor 还针对文件/文件夹设计了智能压缩机制来自 Cursor 官方文档状态触发条件保留内容后续交互Condensed文件较大但结构可提取函数签名、类定义、方法名需要时自动扩展加载Significantly Condensed文件极大结构也放不下仅文件名 标签用户需手动重新上传Not Included超出剩余容量或格式不支持警告图标需筛选核心文件后重试常规压缩示例// 原始文件500 行export class UserService { private db: Database; constructor(db: Database) { /* ... 50行 ... */ } async createUser(data: CreateUserDTO): PromiseUser { /* ... 100行 ... */ } async updateUser(id: string, data: UpdateUserDTO): PromiseUser { /* ... 80行 ... */ }}// 压缩后~20 行export class UserService { private db: Database; constructor(db: Database): void; async createUser(data: CreateUserDTO): PromiseUser; async updateUser(id: string, data: UpdateUserDTO): PromiseUser;}五、为什么这套架构有效1. Token 效率最大化静态注入「宁滥勿缺」大量无关信息占用上下文 动态发现「按需精准」只拉取当前任务需要的信息2. 复杂度线性可控方案上下文占用静态注入MCP 工具数 × 描述长度指数膨胀动态发现固定名称列表 按需查找线性可控3. 工具生态零成本复用Agent 不需要学习新 API直接复用tail、grep、rg、jq等标准工具。4. 面向未来的扩展性新增信息源写入文件即可。新增 MCP Server同步到对应文件夹。架构天然支持水平扩展。六、可落地实践清单场景传统做法动态上下文做法长工具响应截断写入文件 tail按需读取对话历史直接压缩丢弃保留文件引用 搜索回查Agent 能力扩展全部注入 promptSkills 文件 语义搜索MCP 工具全部描述注入仅名称 按需查找每 Server 一个文件夹终端输出手动复制粘贴自动同步文件 grep大文件处理强制截断或拒绝三级压缩结构/文件名/警告七、总结Cursor 的动态上下文发现架构可以用一句话概括用文件作为统一抽象将「静态注入」转变为「动态发现」实现 token 效率与响应质量的双重提升。核心数据点46.9%MCP 动态加载策略减少的 Agent 总 token 消耗5 大策略长响应文件化、摘要时保留历史引用、支持 Agent Skills、MCP 惰性加载、终端会话文件同步3 级压缩Condensed → Significantly Condensed → Not Included如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】