博客¶

从入门到进阶：封装一个 Skill

Skill 不是插件，也不是一段提示词：一个目录 + 一份 SKILL.md，把每次都要重新交代的流程、口径、脚本与模板，打包成可被自动触发的能力。

元数据常驻上下文，正文触发时才加载，脚本与资料按需取用 —— 这套 渐进式披露 决定了 Skill 该写多少、该把什么拆出去。

Unit 9-2/54

Ks-159 · NGS1: U9-2 (P86-87) · Phonics 05

1. Key words

Find it.

A globe is a round model of Earth.

A map is a flat drawing of Earth.

A forest has many plants and animals.

Look at the map. The green parts are the forest.

An ocean is made of salty water.

Look at the globe. Globes use blue for oceans.

Unit 8-4

1. Key words

常用词讲解（一）

1. literally

如果你经常和美国人交谈，你肯定会听到这个单词 literally，但 literally 到底是什么意思呢？你如果去查一个词典，他就会告诉你 literally 的意思是按字面意思来理解。Sometimes we do use it that way（有时候我们确实这样使用），比如说 he literally walked ten miles，那这个就是说 “他真的走了十个 miles”，不是夸张的。

MiniMax Agent 开发岗面试

1. Agent执行链路

1. 用户输入需求之后，系统怎么识别意图，怎么拆任务，多个步骤谁先谁后，什么时候调用模型，什么时候调用工具，不同任务怎么选择模型？
2. Skill是怎么设计的？
3. 长短期记忆怎么区分？什么信息进入长期记忆？怎么存？怎么召回？数据膨胀怎么办？Memory 越存越多怎么解决？
4. 项目上下文窗口是多少？实际会用到多少？什么时候触发压缩？怎么压？效果怎么评估阈值怎么定？压缩以后重要信息丢失怎么办？
5. 不同业务怎么选模型？如果让 Agent 写 1000 行代码大概消耗多少 Token？百万 Token 怎么计费？一次任务成本消耗多少？
6. 调用 Tool Calling 失败怎么办？线上怎么兜底？

量化研究员

我们是九方智投新孵化的AI量化投资团队，探索机器学习、深度学习、大模型及智能体技术在量化投资中的应用。

我们希望寻找兼具研究深度、技术广度和实盘经验的伙伴，承担核心研究课题，推动研究成果从数据、模型和策略验证走向实盘应用，并参与团队早期研究体系与技术平台建设。

1. 岗位职责

1. 独立开展策略研究: 围绕市场提出研究假设，完成数据分析、因子挖掘、模型构建、回测验证及策略迭代。
2. 推进AI模型应用: 运用机器学习、深度学习开展收益预测、金融时间序列建模和多源数据融合，探索大模型、强化学习等方法的适用场景。
3. 负责实盘研究与迭代: 参与策略上线、运行监控、绩效归因和风险分析，定位信号衰减、交易偏差及回撤来源，持续优化实盘表现。
4. 开展组合与交易研究: 结合风险暴露、换手率、流动性、交易成本及容量约束，优化信号组合、仓位配置与交易执行。
5. 建设AI研究工具: 开发或推动落地面向投资研究的智能体，将数据检索、信息提取、代码执行、实验管理和结果分析连接为可评估的工作流程。
6. 完善研究体系: 参与数据规范、回测框架、模型评估和实验管理建设，提升研究效率及结果可靠性。
7. 推动团队协作: 与研究、工程及业务同事协作，开展代码与研究评审，指导初级研究员和实习生。

AI舆情监控：基于豆包工作助手和妙搭的应用

点击妙搭应用 查看效果。

以前舆情监控一般会先使用爬虫获取外部舆情信息，然后再使用 NLP 技术给内容进行分类打标，这种技术方案有一个明显的问题是，不同站点需要分别解析才能爬取内容，

老外口头禅

励志鸡汤文

1. 自控力