Yosgi Yosgi

让扫描结果落到正确的位置

如何把 2D 检测和 3D 验证拆成两个阶段，在数字孪生工厂的资产标注中降低误报，并定位下一步的召回率瓶颈

如何把 3D 自由探索改成可度量的覆盖扫描，并将数字孪生工厂中的阀门盘点召回率从约 40% 提升到约 90%

这篇文章复盘了一个工程图理解项目：我们最初只是想提取图纸文字，后来发现真正重要的是文字、符号、位置和连接关系，于是把 2D 工程图解析成结构化数据，并映射到 3D 数字孪生场景里

在大规模 Agent 系统里，纯 Tool 容易被上下文拖垮，纯 Code 又会带来过高延迟。本文结合真实实验，介绍一种通过 “Context Off-Ramp” 在 Tool 与 Code 之间切换的双轨执行架构。

Tool 和 Code 不只是表达能力不同，它们也会在不同时间失败。本文解释为什么多轮 Agent 系统会放大这种差异。

一次 MCP-as-Code 重构复盘：它缓解了上下文压力，但也放大了交互场景中的延迟和运行时失败成本。

这场争论，已经太熟悉了

用 Skills 稳定 Agent 的工具路径

一、Off-ramp 机制本身（控制策略层） 1️⃣ 2000 token 的拐点是怎么验证出来的？ 你可以问： 你们是否做过不同注入长度（比如 500 / 1000 / 2000 / 4000）的 precision / recall 的对比曲线？ 看点： 这是“经验阈值” 还是“实验拐点” 这是判断他是否具备系统调参能力的关键。 2️⃣ 阈值是固定 2000，还是可配置、可动态调整？ 你可以问 …