SuperAPI AI 工具集

tinkering

智能体与模型

查看项目

更新于 10-16 07:59

技能介绍

用途:tinkering 是一个结构化实验框架,用于在不确定方案是否可行时,先建立隔离沙盒自由尝试,再把成功实验正式落地或干净地丢弃失败实验。核心原则是实验的产出是知识,而不是生产代码;成功实验告诉你如何解决问题,真正的实现发生在之后。

适用场景:判断某库是否适合用例、比较多种方案性能、探索 API 集成方式等结果未知的探索性任务适合使用;需求明确的功能开发或调试则不适合,应使用 git 分支。

工作流程:一、建立沙盒,创建 _experiments/{experiment-name} 目录并加入 .gitignore,维护 MANIFEST.md 记录实验;二、提出假设,写明问题、成功标准、时间盒(默认 30 分钟)与范围;三、在沙盒内自由实验,需要改动的源文件先复制进沙盒,绝不修改生产文件;四、对照假设评估结果并更新 MANIFEST.md;五、成功则毕业,失败则丢弃;六、清理文件并更新清单。

毕业路径:不要把实验代码直接复制进生产,应基于所学重新规范实现、补充测试并应用代码标准,在提交信息中引用实验。丢弃路径:记录失败原因与经验后删除实验文件。

边界情况:需要数据库改动时使用独立测试库或 schema 前缀;需要运行服务器时从沙盒启动并使用不同端口;多个并发实验各占独立子目录;实验若演变为真实功能应毕业,避免成为影子生产代码。

限制:资料未提供该技能的安装方式、依赖要求、收费与平台支持等信息。