Agent 和 Workflow 在构建 AI 应用中起到重要的作用。两者的核心差异在于流程的控制权与确定性：Agent 按场景动态执行，Workflow 按既定流程执行。构建 Agentic 系统很难使用单独的技术架构实现，需要两者相互融合来构建高效稳定的业务系统。

ReAct = Reasoning + Acting（推理 + 行动），核心目标是打破传统 LLM “输入-输出”单向链路，通过构建“Thought-Action-Observation”（“思考-行动-观察”）闭环机制，让 LLM 通过与外部工具、环境动态交互完成复杂任务。

Agent Skills 是一种轻量、开放的格式，用于通过专业知识与工作流扩展 AI Agent 的能力。Skills 本质上是一个沉淀了自然语言描述 SOP 的 markdown 文件，能够避免重复性劳动，统一能力标准，实现高效且可复用的经验传递。

MCP 全称是 Model Context Protocol（模型上下文协议），通过提供结构化的上下文管理来增强大模型与应用程序之间的交互。MCP 的核心目标很明确：让大模型安全、可控、结构化地访问外部信息和能力。

Clawdbot，现在已经改名 Moltbot（当然是因为侵权被告了）。它不是传统意义上的聊天机器人，而是一个能真正“做事”的 AI Agent，被社区称为“钢铁侠的贾维斯雏形”。阿里云/腾讯云已经上线轻量应用服务器部署能力。

大模型正在重塑生产力格局，Agent 已经席卷各个行业。写代码、做PPT、生成图片和视频，基于大模型的各种Agent正在成为专业选手。去年我们还在以“大模型基于概率预测”来质疑各种需求，私下里骂了算法团队不少次，今年已经义无反顾地投入到业务Agent的落地中，比如商品信息理解、提取结构化参数。

2026 年刚开年，一条消息在技术圈悄然传开：前阿里 P10、知名技术人毕玄在他创业的新公司宣布——不再按技术栈划分岗位，所有工程师统一称为 “Agent 工程师”。

分库分表是应对单机数据库性能瓶颈和存储容量限制的核心手段，其本质是通过水平拆分将数据分布到多个物理实例上，以提升系统的吞吐能力与可扩展性。然而，这一架构决策引入了显著的复杂性，若设计不当，反而会带来一致性、运维、查询效率等多方面问题。

数据库索引失效是导致查询性能急剧下降的常见原因。在实际生产环境中，我们观察到大量慢查询并非源于数据量本身，而是由于索引未被有效利用。本文系统梳理索引失效的十大典型场景，结合执行计划分析、B+树结构原理与优化器行为，给出可落地的 SQL 重写与设计策略。所有示例基于 MySQL 8.0（InnoDB 引擎），但核心原理适用于主流关系型数据库。

在高并发电商系统中，库存超卖是典型的分布式一致性问题。可以采用数据库行级锁配合预扣减机制，在业务层引入幂等与重试控制，同时通过异步校验兜底，在保证性能的同时杜绝超卖。