LLM

近期 Claude 推出了 Skills ，关于 Skills 的使用，Claude 官方 blog中有提到一句 How Skills work: When Claude encounters a task, it scans available Skills to find relevant matches. Skills use progressive disclosure: metadata loads first (~100 tokens), providing just enough information for Claude to know when a Skill is relevant. Full instructions load when needed (<5k tokens), and bundled files or scripts load only as required.

这篇文章基于源码实读，对 writing-helper 的架构与实现做“工程级”解析：如何在 Next.js 15 下，用统一代理层把 OpenAI / Grok / DeepSeek / Ollama 等提供商整合进一套流式（SSE）写作体验，并兼顾 CORS、安全与可用性。 本项目地址： writing-helper

本文基于源码实读，拆解 uml-generate 的工程实现：如何在“纯前端”环境下，串起多家 LLM 的流式输出，并将结果即时转译为可编辑、可导出的 PlantUML 图表。 项目地址： https://github.com/GeekyWizKid/uml-generate

项目地址：GJavaDoc 本文基于源码逐行阅读的结果，对 GJavaDoc 的设计与实现做一份“工程级”的深度解析：为什么这样设计、关键权衡是什么、哪里容易踩坑，以及如何把它用在你自己的遗留项目里。 核心策略一句话概括——“事实交给程序，表达交给模型”。把能确定的事实（入口、签名、相关类型、代码片段、模块归属、历史产物）用静态分析和 PSI 拿稳，再让 LLM 按强约束的提示把事实“讲清楚”。这样文档才稳定、可复现、可增量、可并发生成。

“很多工程师在实现 RAG 系统时只是简单调用 LangChain 的 API，却不了解其背后的原理和优化方法。这就像是在使用 Redis 时只会 get/set，却不懂得内存管理和性能调优。本文将帮助你深入理解 RAG 系统的本质，掌握关键的优化技巧。”