rust_frp
Rust 实现的 frp 内网穿透工具。TCP / UDP / HTTP / HTTPS / QUIC / WebSocket 全传输,mTLS + AES-256-GCM,兼容原版 frp 配置。
Rust · Python · Flutter · AI Agent
这里是我做过的一些项目,和关于 AI Agent 的实践笔记。 不追热点,只记录真正跑在生产环境里的东西。
从内网穿透到智能交通,每一个都来自真实需求。
Rust 实现的 frp 内网穿透工具。TCP / UDP / HTTP / HTTPS / QUIC / WebSocket 全传输,mTLS + AES-256-GCM,兼容原版 frp 配置。
招标公告自动采集平台:多站点爬取、Web 端筛选与关注、数据统计和提醒,长期运行在生产环境。
精选 AI Agent Skills 技能库,Trae 与 WorkBuddy 双智能体共享,覆盖开发、文档、运维等 113 个可复用流程。
叫号屏 OCR 语音播报机:摄像头实时识别号码,TTS 语音提醒,systemd 常驻自启,生产环境长期稳定运行。
本地优先的 PDF 文档中心:PDF 操作、文档扫描、OCR 识别与归档管理,数据永不离开本机。
企业应收账款管理系统:账款台账、账龄分析、数据可视化与定时催收提醒,Vue 3 + Flask。
智能交通建设档案系统:信号灯、电子警察、卡口等设备档案、质保与维修记录,前后端分离。
Flutter 移动端填报 + Flask / Socket.IO 后端:水印拍照、日志审批、项目群聊,数据完全自主部署。
企业级采购管理平台:采购计划创建、多级审批流程、PDF 导出,Flask + Bootstrap。
劳动用工申请与审批管理系统:Flask + React 前后端分离,含验证码与登录频率限制。
交通流量采集展示系统:流量数据采集、统计分析与可视化大屏。
文档扫描应用:文档数字化、图像增强与处理,面向日常纸质资料归档。
来自实际落地的经验,不是论文摘要。
模型本身只会「说」,Agent 让它「做」。核心循环是:观察状态 → 规划下一步 → 调用工具 → 读取结果 → 判断是否结束。
工程上真正难的不是循环本身,而是三件事:状态如何表示、工具返回如何裁剪、什么时候停。没有明确停止条件的 Agent,最终都会变成烧 token 的 while(true)。
同一个模型,工具 schema 写得好不好,任务成功率可能差一倍。几条经验:
MCP 把「模型 ↔ 工具」拆成 host / client / server 三层,工具、资源、提示词都可以被发现和调用。stdio 适合本地进程,HTTP / SSE 适合远端服务。
落地时要记住:每个 server 都是一个新的攻击面。工具白名单、参数校验、调用审计和超时,一个都不能少。
上下文窗口不是越大越好:无关内容会稀释注意力,长上下文还贵。实用做法是分层——系统约束常驻、任务状态结构化、检索内容按需注入、历史定期压缩成摘要。
子 Agent 的价值往往不是「更聪明」,而是把大量中间过程隔离在另一个上下文里,主线程只拿到结论。
多 Agent 适合可清晰分工、且子任务上下文相互独立的场景,比如并行调研、多视角审查。如果是强耦合的连续操作,拆开只会增加通信成本和状态不一致。
先问一句:单 Agent 加上好工具能不能做完?不能,再拆。
工作记忆放当前任务,情节记忆存历史交互,语义记忆沉淀稳定事实。关键不在「存」,而在「什么时候写、写什么、什么时候忘」。
无脑全量记忆会把错误和过时信息一起固化下来,比不记更糟。
上线前至少准备 20–50 条真实任务回归集,记录任务成功率、工具调用成功率、平均步数、token 成本与延迟。
生产环境保留完整 trace(输入、工具参数、返回、耗时),否则出问题只能靠猜。小模型配好工具链,常常优于大模型配烂工具。
Prompt 是一次性的,Skill 是可版本化的流程资产:触发条件、步骤、脚本、检查清单都写在文件里,按需加载。
把重复三次以上的操作固化成 Skill,是 Agent 工程里性价比最高的投入。我的 team-skills 就是这么攒起来的。
全栈开发者,写 Rust、Python 和 Flutter,做智能交通,也折腾 AI Agent。
喜欢把系统跑到生产环境里,而不是停在 demo。这个站点用来沉淀项目经验和 Agent 工程笔记,内容会持续更新。