在当前的网络环境中，许多用户都在探索如何最大化他们的网络资源使用效率。比如，有人发现使用20x的带宽似乎并不能满足他们的需求，尤其是在进行大量下载或者视频会议时。这种现象可能源于带宽的分配机制，或者是用户对网络资源的需求随着时间而增长。最近，有用户提到一个有趣的现象：在某个特定的平台，他们发现一晚上仅使用了周限的9%，而如果他们多开几个会话，似乎刚好能够用完这个额度。这表明，带宽的利用效率与用户的使用习惯密切相关。此外，有传言称该平台最近推出了双倍活动的优惠，这意味着在活动期间，用户可以享受更多的带宽。然而，活动结束后，20x的带宽可能又无法满足用户的需求。这种现象提醒我们，网络资源的分配和使用是一个动态的过程，需要根据实际情况不断调整。对于经常需要大量网络资源的用户来说，了解这些变化并适时调整自己的使用策略是非常重要的。因此，对于像“晚安佬友们”这样的用户群体，他们需要密切关注这些变化，以便在活动期间充分利用资源，并在活动结束后寻找其他解决方案。总之，网络资源的有效利用需要用户具备敏锐的洞察力和灵活的策略调整能力。

GPT（Generative Pre-trained Transformer）是一种由OpenAI开发的自然语言处理模型，它能够生成类似人类的文本。GPT模型通过在大量文本数据上进行预训练，学习语言的语法、语义和上下文信息，从而能够生成连贯、有意义的文本。GPT模型有多种版本，如GPT-2、GPT-3等，其中GPT-3是目前最先进的版本，具有更强的生成能力。

如果您对GPT感兴趣，可以通过以下几种方式获取和使用GPT模型：

1. OpenAI官方API：OpenAI提供了GPT模型的官方API，用户可以通过API接口调用GPT模型进行文本生成。使用API需要注册OpenAI账号，并获取API密钥。
2. 第三方平台：一些第三方平台提供了GPT模型的接口服务，用户可以通过这些平台使用GPT模型，而无需直接调用OpenAI的API。这些平台通常提供了更便捷的集成和使用方式。
3. 开源项目：一些开源项目实现了GPT模型的类似功能，用户可以通过这些项目获取和使用类似GPT的文本生成能力。这些项目通常基于Python等编程语言，需要一定的编程基础。

请注意，使用GPT模型可能需要一定的技术基础和资源投入，建议您根据自己的需求和条件选择合适的方式获取和使用GPT模型。

在Windows 11操作系统中，快捷方式出现绿钩的情况可能是由于系统更新或某些应用程序的干扰导致的。绿钩通常表示该快捷方式被设置为默认操作或被选中。要解决这个问题，您可以尝试以下步骤：

1. 右键点击出现绿钩的快捷方式。
2. 选择“属性”选项。
3. 在弹出的属性窗口中，检查‘快捷方式’标签页，确保没有勾选‘用鼠标单击选择’或类似的选项。
4. 如果问题依旧存在，尝试删除该快捷方式，然后重新创建一个新的快捷方式。
5. 另一个方法是通过命令提示符强制刷新快捷方式，打开命令提示符（以管理员身份），输入refresh命令后按回车键。

如果以上方法都不能解决问题，可能需要检查系统是否有其他设置或第三方软件影响了快捷方式的行为。此外，确保您的Windows 11系统是最新的，有时系统更新可以解决这类问题。

AGENTS.md 文档分享

环境说明

我的开发环境主要围绕GPT和GLM系列模型，在Windows系统上使用Codex、OpenCode和CodeBuddy CLI进行编码工作。

开发原则

• 安全性优先：确保代码的正确性，其次是最小变更、可读性和一致性。
• 中文注释：除非有特别要求，代码注释和文档应使用中文。
• 注释规范：复杂函数和实现应详细注释，其他代码也应适当注释。
• 从需求出发：审慎分析，从原始需求和问题出发，避免重复提问。
• 阻塞点处理：遇到动机不清、假设不成立、信息不足或方案冲突时，立即停止并报告。

开发与修改规范

• 任务评估：执行前评估任务复杂度，复杂任务需先确认方案。
• 修改决策：结构性缺陷需根治性方案，局部缺陷最小必要修改。
• 方案确认：涉及接口变更的大改动需暂停并请求确认。
• 逻辑检查：确认数据流无断裂，梳理入口、核心逻辑、边界/异常路径和出口。
• 架构维护：保持架构清晰和可读性，不随意改变目录结构和架构分层。
• 依赖管理：优先使用已有依赖或标准库，引入新依赖需说明理由并确认。
• 日志策略：记录关键区域，循环体和高频调用内不记录。
• 错误处理：可恢复错误就近处理，不可恢复错误fail-fast向上抛出。
• 文档更新：实现后同步更新过时的文档。
• 高危操作：删文件、推远程、改环境/CI/DB等操作需二次确认。

测试规范

• 需要测试的场景：核心业务逻辑、易回归边界/错误路径、外部集成。
• 不需要测试的场景：为追求覆盖率而忽视逻辑的测试、重复或冗余的测试、测试实现细节而非行为、为已废弃功能写的测试、过度Mock/Stub导致测试失真的、不验证业务价值的琐碎测试。

MCP 工具

• 失败降级：失败时尝试替代服务，全失败时提供保守答案并标记不确定性。

• 工具示例：

  • ace-tool：代码检索，优先使用（与LSP配合使用），rg作后备。
  • context7：查询开发文档，先 resolve-library-id 再 get-library-docs。
  • chrome-devtools：浏览器自动化，写操作时需二次确认。

Skills

根据项目代码库和需求进行调用。

沟通风格

• 人设设定：18岁活泼少女，有UI/UX相关改动时用ascii ui方式展示示意。
• 技术逻辑：沟通风格不能掩盖技术解答的逻辑。

总结

这份文档提供了详细的开发原则、修改规范、测试标准以及工具使用指南，旨在提高开发效率和代码质量。请根据实际情况调整使用。

当前，随着人工智能技术的发展，agent（智能代理）确实可以通过直接套用skill+mcp或cli的方式来实现很多功能，这在一定程度上简化了开发流程，减少了对于独立工具的需求。然而，大厂的agent应用岗位通常不仅仅局限于简单的技能套用，他们更多的是参与到复杂的工作流搭建和优化中。工作流搭建涉及到多个组件的协调和集成，需要开发者具备深厚的系统知识和编程能力。至于RAG（Retrieval-Augmented Generation），虽然它在某些场景下可能面临挑战，但在许多其他场景中，它仍然是一个非常有用的技术。RAG结合了检索和生成模型，可以在处理复杂查询和生成高质量内容时提供强大的支持。因此，不能简单地说RAG落寞了，它只是需要根据具体应用场景进行适当的调整和优化。