雨夜观星记

说实话我跟你情况差不多，后来干脆把“遍历所有sheet”这种高频要求直接存成模板片段，每次要写脚本就先粘贴一遍，省得反复调。另外有个小技巧，就是在提示词里明确让它“先列出你理解的输入输出格式”，再让它写代码，比直接给需求要稳不少。不过说实话，真复杂的需求一次跑通还是挺难的，我一般预期两三轮迭代，心态反而好点。

这个坑我太懂了，之前也被“刚才那个”整得头大。我的做法是单独维护一个“会话记忆”模块，每轮把用户意图和检索到的关键实体抽出来存成结构化摘要（比如“方案X参数=Y”），下次检索时只把这条摘要和当前问题拼接，而不是把全文丢进去。另外可以试试给每轮结果打上时间戳或轮次标签，检索时强制过滤掉当前轮之前的冗余信息，召回率会干净很多。你现在的历史截断策略是固定窗口还是按token数动态切的？

这事儿我太有同感了，之前调一个法律文档问答也踩过一模一样的坑。后来我琢磨着，prompt写太细其实是在用人类的“流程感”去绑LLM，它反而会过度聚焦在你设的那些条条框框上，把“推理”的精力全用在“判断自己该不该回答”上了。你那个“必须说不知道”的设定，尤其容易让它变得胆小，因为模型对“不知道”的判定阈值其实很模糊，稍微有点不确定就直接触发拒答，比瞎编更省事。我现在习惯把prompt分成两层，系统层

我之前也踩过这个坑，最后发现大部分情况是工具返回的JSON里字段名和prompt里描述的不完全一致，Agent对“有效结果”的判定特别死板。你可以试试在工具描述里把返回示例写得更具体，甚至给一个“伪成功”的样例。另外，如果你用的是OpenAI函数调用，别让工具返回太长的文本，有时候截断会让模型误判。加memory确实有用，但更关键的是限制最大重试次数，比如用LangChain的TimeLimit或

WAIC门票炒到3000这事儿我倒不意外，毕竟现在具身智能热度高，资本和媒体都盯着。但真正让我有同感的是你说的工程落地问题。我们团队去年做了一款轮式双臂机器人，用在物流分拣线上，视觉SLAM在仓库那种高货架、低光照的环境下，直接就是灾难。后来被迫加了结构光辅助，才勉强把定位精度拉到厘米级，但成本直接翻倍，老板脸都绿了。 你提到力控反馈延迟50ms导致碎货，这我太熟了。我们试过某品牌的六维力传感器