Day 13 ✅ 今天做了：回顾了上下文和多agent ⏰ 明天计划：回顾harness 📚 今日感悟：上下文工程是最重要的地方，多agent一般用父子agent即可，除非多用户多会话才用团队agent；上下文工程可以考虑，卸载，压缩，缓存，检索，隔离等；还复习了RAG

Day 12 ✅ 今天做了：沉淀了工具系统 ⏰ 明天计划：沉淀上下文工程 📚 今日感悟：首先需要模型训练和约束解码保证模型输出的json合法。除了核心工具之外的需要延迟加载，调用时放在上下文请求中，不影响提示词缓存。cc一般读操作直接执行，写操作需要确认，但大部分低风险的写操作需要人为确认，会造成审批疲劳，所以使用一个小的LLM分类器来进行权限审批

Day 11 ✅ 今天做了：沉淀了agent loop ⏰ 明天计划：沉淀 tool system 📚 今日感悟：对话时用SSE而不用websocket是因为只需要模型来说，我们只用听。当使用CC的时候实现双向通信，本质上就是一次SSE后，我们执行y/n，cc调用本地的工具，将工具结果作为入参再去发送http给大模型，大模型开始第二次SSE。cc是边说边执行，但是是读操作的可以并发执行，但是写操作必须独立执行，需要其他操作执行完后，独立执行。模型如果流式请求挂了，就退避重试，超过最大重试次数就降级为非流式来发送请求，三次529后就降级模型再重试。agent退出可能是：完成；达到最大论限制；用户在模型输出时按ESC；用户在工具调用时按ESC；钩子触发停止；上下文快满了，拦截请求；上下文超了。

Day 10 ✅ 今天做了：对之前学习到的知识再从头进行梳理沉淀 ⏰ 明天计划：对agent loop进行沉淀 📚 今日感悟：回顾了大模型底层的一些知识，知道token是怎么生成的，注意力的K,Q,V怎么用来生成下一个token的，以及模型是怎么选词的

Day 9 ✅ 今天做了：学习了cc的源码 ⏰ 明天计划：开始看项目 📚 今日感悟：学会了cc内部的提示词是怎么设计的，记忆是怎么管理的，上下文是怎么压缩，折叠凳处理的，有哪些工具，什么时候被调用以及权限机制的使用， 知道了一次对cc的需求按指令执行的完整生命周期

Day 8 ✅ 今天做了：学习大模型微调 ⏰ 明天计划：学习cc原理 📚 今日感悟：大模型微调就是将大模型从通才变为专才，主要还是用LoRa，这时不需要考虑全量矩阵，只用考虑A和B两个稀疏矩阵。rank越大，LoRa表达能力越强，但是参数量越多；rank越小，LoRa表达能力越弱，但是参数量越少。对注意力KQV的Q和V加LoRa，LoRa的输出会乘以一个缩放因子，缩放因子越大，修改幅度越大。

Day 7 ✅ 今天做了：学了langgraph和多agent ⏰ 明天计划：学习大模型微调 📚 今日感悟：比langchain好在，它可以编排，一些并行的任务或者需要loop的任务或者一些都需要用它。主要靠着状态，节点和边来维持和实现。

Day 6 ✅ 今天做了：学了lanchain和springai ⏰ 明天计划：学习langgragh 📚 今日感悟：langchain本质上还是串行的，是处理串行任务来设计的，要考虑各种如多轮对话记忆，各种advisor以及不同用户之间信息隔离。springai有流式输出，通过descrition注解来标明工具，可以去加权限控制和安全防护等

Day 1 ✅ 今天做了：学了agent常规概念和架构总览 ⏰ 明天计划：langchaain和langchain4j 📚 今日感悟：agent和传统gpt的区别就是，传统gpt是一问一答，而agent可以根据用户需求进行意图识别，思考过后进行工具调用，本质上就是agent通过大模型知道用户意图后根据我们自定义代码去发生结构化请求，来调用我们代码里自定义的tool，再将输出通过大模型来润色为自然语言返回给用户。而现在并不是所有工具都需要从0到1去写，可以通过mcp，去调用一些已经在mcp服务端编写好的工具。agent拥有react，走思考-执行-观察，但是容易死循环，plan-and-excute是先规划计划，再逐步执行，而反思是对上述两个模式的增量。在我们使用claude code之类的harness的时候，最后在对应文件夹下写skill来减少重复性行为，而skill如何被自然找到，就是describtion的写的好不好了。最后就是有的任务单agent是无法实现的，需要多agent协作，而如何协作就是需要A2A协议，每个agent都会维护一个自身的card，会具有describtion和skill知道这个agent的功能以及技能。多agent具有主从模式，串行执行和多个agent围绕一个问题进行讨论，最后达成共识这三个模式，java一般使用springAI

Day 1 ✅ 今天做了：理解了RAG ⏰ 明天计划：学习agent 📚 今日感悟：RAG本质上是想要找到离客户问题最接近的文档块，其中的重点首先是文档质量，其次是解析不同格式文档，然后是分割文档为块，然后就是语义检索，通过重排序本质就是先粗筛，再细筛。其次用户问的问题五花八门，此时就需要进行查询改写为贴近文档语义的话，最后就是要考虑权限，上下文， 多轮对话和Text2SQL