feat: 导出 SproutClaw .sproutclaw 配置

包含 extensions、skills、prompts、settings、auth、models、mcp 等配置。
排除 node_modules、npm 缓存、sessions 等运行时数据。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/01_cover.md

@@ -0,0 +1 @@
+大家好，欢迎来到这次技术分享。今天的主题是 AI Agent 工程化与落地——也就是说，我们不聊新模型，不聊新论文，专门聊一件事：怎么把那些跑得动 Demo 的 Agent，真正搬进生产环境里。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/02_hero_demo_to_prod.md

@@ -0,0 +1 @@
+先抛一个让人有点不舒服的事实。在我和很多团队的交流里，大约九成的 Agent 项目最后都停在了 Demo 阶段。原因不是模型不够强，也不是想法不够好，而是要进生产，需要跨过四道工程化门槛——架构、上下文、评估、可观测。这四件事一件没做，Demo 就永远只能是 Demo。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/03_three_pains.md

@@ -0,0 +1 @@
+第一道是性能不稳定，多步推理一叠加，每一步五到十个百分点的抖动累计起来，整体成功率就会断崖式下滑，P95 延迟更是常常翻五到十倍。第二道是成本不可预测，同一个任务在不同上下文长度下，单次 token 消耗能漂移五到五十倍，长尾任务尤其会吞掉预算。第三道是质量难闭环，失败原因是模型问题、提示词问题、还是数据问题往往说不清楚，回归测试也没有，一改 prompt 就提心吊胆。这三道门槛，是绝大多数项目都会先撞上的。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/04_agent_architecture.md

@@ -0,0 +1 @@
+接下来我们看一下 Agent 的标准骨架。基本上可以分成四层。最上面是感知层，负责输入解析、多模态融合、上下文窗口管理。第二层是推理层，承担 Plan、ReAct、Tree-of-Thought、Reflection 这些决策范式。第三层是行动层，把模型的决策落到工具调用、函数执行、API 编排上。最下面是记忆层，包括短期上下文、长期向量库和任务级缓存。每一层都有自己的工程化坑，但只要框架对了，每一层都能独立打磨和替换。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/05_three_modes.md

@@ -0,0 +1 @@
+理解了四层骨架之后，下一个常见问题是：到底用哪种模式。简单说有三种。Workflow 是路径固定的 DAG，LLM 只负责填空，可预测、好调试，适合确定性任务。Agent 是路径动态的，运行时让模型自己决定下一步，最常用、也是大部分项目真正在做的事，适合半结构化的探索类任务。Multi-Agent 是多角色协作，把 Planner、Critic、Worker 拆开并发协作，灵活性最高，但复杂度也最高，只在真正需要长程任务的时候用。绝大多数生产场景，从 Agent 开始就够了。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/06_tool_orchestration.md

@@ -0,0 +1 @@
+把模式确定下来之后，最先开始做的就是工具编排。一个稳定的工具调用大致是六步：先解析任务、再选工具、然后调用执行、接着验证返回、必要时重试或回退、最后做结果汇总。每一步都要可观测，每一步都要有兜底。最常见的翻车点不在第一步而在第四步——大家往往拿到工具返回就直接喂给模型，缺了 schema 验证和业务规则校验，幻觉就是从这里漏进来的。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/07_context_engineering.md

@@ -0,0 +1 @@
+讲完工具，下面这页是我个人觉得最重要的一页：上下文工程。模型每天都在变，提示词也每天都在调，但真正决定一个 Agent 智不智能的，是它每一步看到了什么——也就是上下文。围绕这一个核心，至少要做好六件事：检索要稳，重排要准，截断要会取舍，记忆要分长短期，工具说明要够具体，系统提示要把人设、输出格式、安全规则都讲清楚。上下文工程做不好，模型再强也救不回来。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/08_kpi_dashboard.md

@@ -0,0 +1 @@
+接下来切到运营视角。要上生产，你必须给自己装上四块表盘。第一块是任务成功率，目前这套系统跑到了百分之九十二点四，还在每周提升三个百分点。第二块是 P95 延迟，从初版的十一秒多，收敛到了四点八秒。第三块是单次任务成本，做了模型分级路由和检索结果缓存之后，单次成本压到了四毛二。第四块是三十天 SLO 达成率，靠多模型 fallback 兜住了上游事故，目前在百分之九十九点七。这四个数没有，就别谈上生产。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/09_metrics_trend.md

@@ -0,0 +1 @@
+把这四个指标拉成时间轴，就能看到一条很真实的曲线。绿色是任务成功率，从最早的百分之七十一，一路爬到了百分之九十二点四。红色是单次成本，从一块二降到了四毛二。最关键的三个拐点都标在图上：第四周引入了 reranker，准确率跳了一档；第八周引入了 fallback，长尾任务的成本和失败率一起被压下来；第十一周引入了结果缓存，成本下了最大的一刀。每一次提升的背后，都对应一个具体的工程动作，不是靠运气，也不是靠换模型。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/10_failure_modes.md

@@ -0,0 +1 @@
+聊一聊会遇到的失败。大致可以分到四个象限。左上是高频浅层的工具错误，schema 不匹配、参数幻觉、超时无回退，这一类靠提前校验就能挡住。左下是低频但麻烦的死循环，反思链路没有终止条件，Plan 反反复复改，必须设硬性停机条件。右下是更难处理的幻觉，编造工具、编造结果，甚至假装成功，这一类只能靠 Grounding，让每一步都对接真实数据源。右上是隐蔽的成本失控，Token 漂移、重复检索、链路套娃，必须做计量和上限。预案的关键，是分类别准备，不是事后扑火。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/11_roadmap.md

@@ -0,0 +1 @@
+把这些东西整合起来，给一个十二周可执行的落地路线。第一阶段是前三周，跑通最小可用的原型，金标准 case 通过率到八成以上，再进下一阶段。第二阶段是第四到第七周，把评估集铺到一百条以上，自动回归点亮绿灯，重试和降级机制全部上。第三阶段是第八到第十周，规模化，加缓存、加限流、做多租户隔离、做模型分级路由。第四阶段是第十一到第十二周，灰度上线，从百分之一到百分之十再到全量，盯住 SLO，让飞轮真正转起来。每个阶段都要有"通关"硬指标，否则就只是在赶进度。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/12_cta_closing.md

@@ -0,0 +1 @@
+最后总结一句话。所谓的 Agent 工程化，不是给系统里加一个 LLM 就完事了，而是把 LLM 真正装进一个有架构、有上下文、有评估、有可观测的工程系统里。这四件事一起做，Agent 才能从 Demo 走到生产。希望今天分享的这套框架，能帮到正在路上的你。谢谢大家。

agent/skills-disabled/ppt-master/examples/ppt169_glassmorphism_demo/notes/total.md

@@ -0,0 +1,69 @@
+# 01_cover
+
+大家好，欢迎来到这次技术分享。今天的主题是 AI Agent 工程化与落地——也就是说，我们不聊新模型，不聊新论文，专门聊一件事：怎么把那些跑得动 Demo 的 Agent，真正搬进生产环境里。
+
+---
+
+# 02_hero_demo_to_prod
+
+先抛一个让人有点不舒服的事实。在我和很多团队的交流里，大约九成的 Agent 项目最后都停在了 Demo 阶段。原因不是模型不够强，也不是想法不够好，而是要进生产，需要跨过四道工程化门槛——架构、上下文、评估、可观测。这四件事一件没做，Demo 就永远只能是 Demo。
+
+---
+
+# 03_three_pains
+
+第一道是性能不稳定，多步推理一叠加，每一步五到十个百分点的抖动累计起来，整体成功率就会断崖式下滑，P95 延迟更是常常翻五到十倍。第二道是成本不可预测，同一个任务在不同上下文长度下，单次 token 消耗能漂移五到五十倍，长尾任务尤其会吞掉预算。第三道是质量难闭环，失败原因是模型问题、提示词问题、还是数据问题往往说不清楚，回归测试也没有，一改 prompt 就提心吊胆。这三道门槛，是绝大多数项目都会先撞上的。
+
+---
+
+# 04_agent_architecture
+
+接下来我们看一下 Agent 的标准骨架。基本上可以分成四层。最上面是感知层，负责输入解析、多模态融合、上下文窗口管理。第二层是推理层，承担 Plan、ReAct、Tree-of-Thought、Reflection 这些决策范式。第三层是行动层，把模型的决策落到工具调用、函数执行、API 编排上。最下面是记忆层，包括短期上下文、长期向量库和任务级缓存。每一层都有自己的工程化坑，但只要框架对了，每一层都能独立打磨和替换。
+
+---
+
+# 05_three_modes
+
+理解了四层骨架之后，下一个常见问题是：到底用哪种模式。简单说有三种。Workflow 是路径固定的 DAG，LLM 只负责填空，可预测、好调试，适合确定性任务。Agent 是路径动态的，运行时让模型自己决定下一步，最常用、也是大部分项目真正在做的事，适合半结构化的探索类任务。Multi-Agent 是多角色协作，把 Planner、Critic、Worker 拆开并发协作，灵活性最高，但复杂度也最高，只在真正需要长程任务的时候用。绝大多数生产场景，从 Agent 开始就够了。
+
+---
+
+# 06_tool_orchestration
+
+把模式确定下来之后，最先开始做的就是工具编排。一个稳定的工具调用大致是六步：先解析任务、再选工具、然后调用执行、接着验证返回、必要时重试或回退、最后做结果汇总。每一步都要可观测，每一步都要有兜底。最常见的翻车点不在第一步而在第四步——大家往往拿到工具返回就直接喂给模型，缺了 schema 验证和业务规则校验，幻觉就是从这里漏进来的。
+
+---
+
+# 07_context_engineering
+
+讲完工具，下面这页是我个人觉得最重要的一页：上下文工程。模型每天都在变，提示词也每天都在调，但真正决定一个 Agent 智不智能的，是它每一步看到了什么——也就是上下文。围绕这一个核心，至少要做好六件事：检索要稳，重排要准，截断要会取舍，记忆要分长短期，工具说明要够具体，系统提示要把人设、输出格式、安全规则都讲清楚。上下文工程做不好，模型再强也救不回来。
+
+---
+
+# 08_kpi_dashboard
+
+接下来切到运营视角。要上生产，你必须给自己装上四块表盘。第一块是任务成功率，目前这套系统跑到了百分之九十二点四，还在每周提升三个百分点。第二块是 P95 延迟，从初版的十一秒多，收敛到了四点八秒。第三块是单次任务成本，做了模型分级路由和检索结果缓存之后，单次成本压到了四毛二。第四块是三十天 SLO 达成率，靠多模型 fallback 兜住了上游事故，目前在百分之九十九点七。这四个数没有，就别谈上生产。
+
+---
+
+# 09_metrics_trend
+
+把这四个指标拉成时间轴，就能看到一条很真实的曲线。绿色是任务成功率，从最早的百分之七十一，一路爬到了百分之九十二点四。红色是单次成本，从一块二降到了四毛二。最关键的三个拐点都标在图上：第四周引入了 reranker，准确率跳了一档；第八周引入了 fallback，长尾任务的成本和失败率一起被压下来；第十一周引入了结果缓存，成本下了最大的一刀。每一次提升的背后，都对应一个具体的工程动作，不是靠运气，也不是靠换模型。
+
+---
+
+# 10_failure_modes
+
+聊一聊会遇到的失败。大致可以分到四个象限。左上是高频浅层的工具错误，schema 不匹配、参数幻觉、超时无回退，这一类靠提前校验就能挡住。左下是低频但麻烦的死循环，反思链路没有终止条件，Plan 反反复复改，必须设硬性停机条件。右下是更难处理的幻觉，编造工具、编造结果，甚至假装成功，这一类只能靠 Grounding，让每一步都对接真实数据源。右上是隐蔽的成本失控，Token 漂移、重复检索、链路套娃，必须做计量和上限。预案的关键，是分类别准备，不是事后扑火。
+
+---
+
+# 11_roadmap
+
+把这些东西整合起来，给一个十二周可执行的落地路线。第一阶段是前三周，跑通最小可用的原型，金标准 case 通过率到八成以上，再进下一阶段。第二阶段是第四到第七周，把评估集铺到一百条以上，自动回归点亮绿灯，重试和降级机制全部上。第三阶段是第八到第十周，规模化，加缓存、加限流、做多租户隔离、做模型分级路由。第四阶段是第十一到第十二周，灰度上线，从百分之一到百分之十再到全量，盯住 SLO，让飞轮真正转起来。每个阶段都要有"通关"硬指标，否则就只是在赶进度。
+
+---
+
+# 12_cta_closing
+
+最后总结一句话。所谓的 Agent 工程化，不是给系统里加一个 LLM 就完事了，而是把 LLM 真正装进一个有架构、有上下文、有评估、有可观测的工程系统里。这四件事一起做，Agent 才能从 Demo 走到生产。希望今天分享的这套框架，能帮到正在路上的你。谢谢大家。