目前很多AI agent只能回答你的第一个问题（也就是单轮回答），想让它自动修复 bug 不行，想让它持续开发功能也不行。
Loop Engineering 翻译过来就是循环工程，但它不是让你去修下水管道，而是围绕 AI agent 设计可持续运行的反馈循环系统。这个概念解决了一个核心问题：AI 如何从单次回答者变成持续执行者？
你可能用过 ChatGPT，它每次都是一问一答，问完就结束。但真正的 AI agent 不一样，它需要自主规划下一步行动，调用外部工具，从反馈中学习，然后继续执行，直到达成目标。
在生产级 Agent 系统中，大语言模型对工具的调用并非天然可靠。
模型可能因幻觉、参数误填、格式错误或逻辑跳跃，导致工具执行失败、系统崩溃，甚至引发安全风险。
为构建高可靠性的工具调用机制，需建立一套覆盖“定义—推理—执行—修复”全链路的工程化保障体系。该体系可分为四个层级，层层递进，形成闭环。
工具调用的可靠性始于对函数接口的精确定义。模型仅能依据提供的函数描述生成参数，若定义模糊，输出必不稳定。
强类型约束：使用 JSON Schema 明确定义每个工具的输入参数结构，包括：
字段类型（string、integer、boolean 等）
是否为必填项（required）
枚举值范围（enum）
字符串格式（如 date-time、email）
数值范围（minimum、maximum）
示例：机票预订工具中，
departure_date必须为 ISO 8601 格式的日期字符串，禁止使用“明天”“下周”等自然语言表达。
语义描述优化：函数描述是模型理解意图的核心依据，应像优化 Prompt 一样精心设计：
“仅当用户明确提及‘改签’或‘变更日期’时，才调用 update_flight”“若用户要求‘取消订单’且未提供订单号，则提示补充；若提供订单号但状态为‘已出发’，则拒绝调用 cancel_order”范围：仅限收录 Claude Code
SKILL.md格式 Skills 的平台（不含 MCP Server、GPT Store、国内智能体平台）
数据截止：2026-06-11 | 核实方式：官网 curl + GitHub API + npm API + JSON API
采用 4 维加权评分（总分 10 分），覆盖一个 Skill 商店最核心的价值维度：
已经写过一两个 Skill？这篇文章帮你从"能写"升级到"会写"。
Anthropic 团队反复强调一个观点——Skill 本质上是在做 Context Engineering。它不是一个 markdown 文件，而是一个文件夹。用文件夹这个形式，来表达渐进式信息披露的理念。
skill/
├── SKILL.md # 导航页 + 核心流程 + 关键经验
├── references/ # 详细说明、API 参考、边界条件 → 按需加载
├── scripts/ # 可执行脚本 → 直接执行，零 token
├── examples/ # 示例 → 需要时参照
└── assets/ # 模板、图片、固定素材 → 用于输出先纠正常见误区：Skill 不是一个文件，而是一个文件夹。
物理上看，它就是一个文件夹，里面放一个 SKILL.md 文件，再加上一些可选的脚本和参考资料。核心就三样东西：
VS Code 中安装了 Claude Code for VS Code 插件，配合 cc switch 使用。需求：不同项目vibe coding时走不同模型通道——项目 A 用 DeepSeek，项目 B 用 Claude 原生。
.claude/settings.local.jsonClaude Code 配置有四级优先级：
.claude/settings.local.json > .claude/settings.json > ~/.claude/settings.json > Managed
(本地，gitignored) (项目级，可提交) (全局，用户级) (企业策略)摘要：本文记录了在阿里云 Linux 服务器（Docker 20.10）上自动化部署 Gitea 的完整过程，重点解决 Docker Compose 兼容性、网络超时、PATH 环境变量等实际问题，最终实现"零人工干预"的一键部署脚本。
101.201.xxx.xxx）MCP（Model Context Protocol） 解决的核心问题是——"模型如何访问外部系统和私有知识"。
在 AI 编程的语境下，模型本身不知道你的组件库有哪些 API、不知道设计规范的色值、不知道后端接口的参数定义。MCP 就是把这些团队知识，按**标准化开放规范（OpenSpec）**定义好，通过统一接口暴露给 AI 模型。
一句话：MCP 是团队知识与 AI 模型之间的桥梁。
底层理论基础：OpenSpec — 所有可被机器消费的知识，都应该以标准化的开放规范形式定义。