原帖 ｜ Jason ｜ 2026-03-13 19:06 ｜ 👍1 ｜ 阅读约1
前面的 agent + MCP + skills + RAG 知识库的 AI 应用开发架构，我们已经进化了。
1、关键环节加入了 sub_agent，独立上下文做单独的事，不污染主 agent 上下文。如问题预分类。
2、加入了多 MCP，如接入 git 自动拉 code
3、加入了 RAG 自迭代机制，定期更新 RAG 知识库。当用户问的问题，回答的质量不好时候，会自动去系统拉对应的 code，自动向量化，加入到 RAG 知识库中，用于后续检索。
4、加入了 skills 自动生成和编排机制，agent 可以自己适时决定是否要写个新的 skills 进来解决某类问题。
5、加入了结果验证机制，若单次回答结果不好会自动循环执行。
6、对疑难问题，加入 COT 长思维链机制。
7、加入了多模态，支持图片识别问答。
8、对单用户加入记忆系统，记住用户的偏好，生成 .md 文件，每次开终端都自动加载，类似 openclaw 龙虾。
9、后续加入模型路由，简单问答用 deepseek，复杂问答用 claude，控制成本。
10、对 agent 引入可观测系统，记录运行 log 日志，方便精细化改进 skills。
后续会加入越来越多的自更新机制，让它自己迭代，让它自己越来越聪明。
核心思想：将 AI 调教的像一位真正的同事，可以自迭代，可以慢慢成长。
相关笔记
- 📁 返回本主题 MOC
- Matt Pocock Skills零基础入门教程
- 企业级 AI 落地方案，不管是昨天分享的 agent + MCP + skills
- 嵌入式开发Skill开发指南
- 之前我们完整梳理过 AI 应用商业级落地的核心技术栈
- AI编程提效工具：CodeGraph与Claude Code Setup
- 搞嵌入式的同学，有没有想过让 AI 帮你写驱动、读内核代码、找 Segfault