TECH FOR CODING

https://github.com/sickn33/antigravity-awesome-skills |工具|Skills 文件夹正确名称|说明| | --- | --- | --- | |**Codex App / Codex CLI**（OpenAI）|**.agents/skills**（**复数** agents）|官方标准| |**Antigravity**（Google）|**.agent/skills**（**单数…

使用官方部署方式， 需要注意网络问题，本次部署机为 德国 vps。 一键安装 选择 codex 认证： **它会自动做的事**： 检测到你已经安装了 OpenClaw 下载最新版本 原地升级（in-place upgrade） 自动运行 openclaw doctor 检查 重启服务 卸载 配置tg 机器人 去 @BotFather 创建机器人 输入 /newbot 就可以，后面配置信息就可以了。 跟机器人对话后,xxxx 就是Pai…

antigravity **默认 marketplace 不同**：Antigravity 是 VS Code fork，但默认用 **Open VSX**（开源替代 marketplace），插件库小（只有几千个），很多热门 VS Code/Cursor 插件不在里面（e.g. 某些主题、语言支持、AI 扩展）。官方 VS Code Marketplace（上万插件）不默认支持，因为 Antigravity 是“第三方 fork”，…

如图新开标签页地址栏输入：chrome://flags，并开启Tabstrip Combo Button、Glic、Glic Z Order Changes、Glic actor（开启基本无影响，这些基本是和Chrome 推出的 AI 助手 Glic 以及界面布局优化有关），改完之后右下角会有个重启chrome的按钮

完整的中文 RAG 稀疏检索原型：**先切块 → 分词 → 建 BM25 索引 → 查询匹配**。本文通过一个可运行的 Python 示例，逐步拆解每个环节的原理与实现细节。 --- 整体流程概览 🔍 稀疏检索（Sparse Retrieval）的核心思路是：将文档和查询都表示为**高维稀疏向量**（大部分维度为 0，只有出现的词对应维度非零），然后通过向量相似度（本质是加权关键词匹配）完成检索。BM25 是最经典的稀疏检索算法。 整…

💡 **为什么要了解稀疏向量和稠密向量？** 在构建 RAG（Retrieval-Augmented Generation，检索增强生成）系统时，检索质量直接决定了最终生成答案的好坏。而检索的核心就在于如何把文本变成向量、用什么样的向量去匹配。理解稀疏向量和稠密向量的区别，能帮助你选择合适的检索策略，甚至将两者结合以获得最佳效果。 在信息检索和 RAG 里，我们把一段文本（句子、段落、文档）转换成一个**数字列表**，这个列表就叫**…

Your inquiry, rendered in refined English: "Might you kindly introduce yourself and delineate the forms of assistance you are poised to offer?" It is an absolute delight to make your acquaintance in this capacity. My pa…

（将第一段替换为新类别的简要说明。此指导将显示在类别选择区域中，因此请尽量将其保持在 200 个字符以内。） 使用以下段落提供详细描述或者建立类别准则或规则： 为什么应使用此类别？它用来做什么？ 此类别和我们已经有的类别究竟有什么不同？ 此类别中的话题一般包含什么？ 我们需要此类别吗？我们可以将其与其他类别或子类别合并吗？