- 站点地图 https://code.claude.com/docs/sitemap.xml https://code.claude.com/docs/llms.txt
- https://docs.openclaw.ai/sitemap.xml openclaw 站点地图 https://docs.openclaw.ai/llms.txt
- lofty https://help.lofty.com/hc/sitemap.xml
- fellow ai https://fello.ai/sitemap.xml
- lesson.md
- pi-agent
- 什么是模型调参
- 如何构建Agent
- RAG
- 模型评估
- Scaling Laws
- 主上下文维持在40%
- claude.md 分层
- gitworktree
- Codex 的长任务
- openclaw 在新模式下如何发挥作用
- 对us瘦身和移除冗余内容
- 监控文档的agent
- Claude.md 应该放什么内容 （最有价值的内容：Claude 无法从代码中推断的信息）
- claude 官方的 marketing skill
- 使用tmux启动agent, 并且告所我窗口
- code agent 开发过程中遇到问题，需要一个agent 来告诉他怎么解决问题。
- lofty-fe-plugin 是否需要每次都读prd
- tmux
- openclaw 调用 codingagent
- 产品调研（全栈能力的一环）
- 复杂任务拆分 deerflow
- 问题是资产
- 使用contex 优化plugin
- 指导我逐步学习使用这个项目
- 自己调研并且理解的agent
- 我是agent 开发工程师，我如何找到需要我给他开发行业agent的用户或企业，openclaw 收集行业信息，OPC
- harness 复利和约束，建立护栏
- Agent 进程
- 语音功能
- claude 自带memory
- rust 命令行工具
- 结构化
- 通俗易懂的
- 这篇文章有哪些主要观点，分别是什么，每个观点内容是什么，背景，依据是什么，基于什痛点提出了这个观点，为了解决什么问题，每个观点从哪些访问进行论证，又从哪些方向进行解决，每个方向的解决路径是什么。从宏观到微观拆解所有观点（不要遗漏任何细节），大观点拆解为小观点（逐级进行拆解），无论大小观点，都使用上述方式进行分析。将抽象的概念解释为通俗易懂的语言进行讲解，结合web前端项目进行举例讲解实施。
使用 chrome-devtools 访问 https://openai.com/index/harness-engineering/
深度拆解这篇文章 [https://openai.com/index/harness-engineering/](https://docs.langchain.com/oss/python/deepagents/harness)，按以下结构分析：
一、识别所有核心观点，按层级组织（大观点→子观点→操作级观点）
二、每个观点用统一框架分析：
- 痛点：解决什么具体问题？用通俗比喻解释
- 论证：文章用什么证据/案例支撑？
- 解决路径：具体怎么做？方向是什么？每个方向的实操步骤是什么？
- 工程实践：如果我要落地，关键动作和基础设施是什么？使用恰当的web前端项目举例,最佳实践是什么
三、画出观点间的依赖关系网：
- 哪些观点是其他观点的前提条件？
- 哪些观点互为因果、相互增强？
- 去掉任何一个观点，系统会在哪里断裂？
四、所有抽象概念用通俗类比解释，技术术语保留原文但附带白话说明
- 最小化mvp
- 从0到1逐步实现
- 解释关键术语，业务对象
- 给出我真实使用这个项目的场景过程描述
- 举例说明，使用该工具时，当向LLM输入一个指令，调用关系是什么，框架的各个方法模块如何运作的，如何和LLM进行配合的