OpenCode 的配置和 1M 上下文模型是两个最容易踩坑的地方——一个是 schema 字段没文档，一个是变体名写错直接走默认。

1. 两份 JSON Schema：opencode.json / opencode.jsonc 主配置 + tui.json TUI 专属，schema URL 是 opencode.ai/config.json。
2. 1M 模型写法：model ID 后面挂 [1m] 后缀，比如 anthropic/claude-sonnet-4-6[1m]，Anthropic 官方约定。
3. TUI 显示百分比自动归一化：换 1M 模型后同样的 token 数，百分比变成原来的 1/5，不用额外配。
4. Provider 实际限制：qwen3.7-plus 在 OpenCode 上硬卡 200k（issue #30838），即使模型标称 1M。
5. 计费警告：1M 上下文分段计费——200k 之内一个价，200k 以上另一个价（贵几倍）。

OpenCode 里两个最高频的快捷语法——@path 拉文件、!cmd 跑 shell。看着简单，踩坑的姿势不少。

1. @ 引用文件：@src/components/Button.tsx 自动把文件读进上下文，比手动复制路径再让 OpenCode 读快得多。
2. ! 调用 Shell：!ls -la src/ 在 OpenCode 里直接跑命令，输出回传到对话里。
3. 大文件踩坑：引用 >500 行的文件会爆 token，先 head / Grep -n 截取 再 @。
4. 高频用法：!pnpm test 看测试输出、!git status 看状态、!ps aux | grep node 查进程。
5. 核心区别：@ 是"读进来作为上下文"，! 是"执行命令拿到结果"——前者进了历史，后者也是。

OpenCode 命令体系 纯 markdown 驱动，工作流可沉淀成可复用命令——零代码扩展，迁过来上手成本低。

1. 核心命令 4 条：/init / /compact / /clear / /undo，覆盖会话生命周期。
2. 自定义命令：.opencode/command/*.md 放 markdown 即生效，业务团队也能贡献。
3. 高频工作流：新项目 /init → 改 AGENTS.md → 写专属命令；改 Bug 走 /undo 兜底。
4. 更新机制：默认启动自检；手动 opencode upgrade，跨大版本前看 CHANGELOG。
5. 选型标准：多 provider 切选 OpenCode，只用 Claude 选 Claude Code。

OpenCode 的 sub-agent 机制和 Claude Code 不太一样——sub-agent 是 primary agent 派出去的临时会话，通过 @ 触发，跑起来后开 child session，主对话窗口原地不动。

1. 触发方式：@explore / @scout / @general 派 sub-agent 干活，主对话窗口不动。
2. 内置三类 sub-agent：Explore（只读扫代码）、Scout（只读研究外部）、General（通用可并行）。
3. 跳转快捷键：<Leader>+down 进 child session，up 回 parent，<Leader>+l 看所有 session。
4. 关键约束：sub-agent 上下文独立，主对话讨论过的约束必须显式写在 @ 任务里，否则按通用默认来。
5. 多层嵌套：sub-agent 又调 sub-agent 就多按几下 up 往上爬。

TUI 右下角才显示 60%、70%，自动 compact 突然就触发了——这是用 OpenCode 最高频的困惑。原因不止一个，按可能性从高到低排：

1. 给输出 token 预留 buffer：TUI 显示 80% 触发压缩，真正留给"历史"的安全位可能只有 50% 左右。
2. Tool calls 占空间：一次 Bash 输出几百行、一次大文件读取直接干到 10k+ tokens，这才是隐形杀手。
3. Provider 实际限制比标称小：qwen3.7-plus 在 OpenCode 上硬卡 200k（issue #30838），即使模型标称 1M。
4. Compaction 循环 bug：issue #29450 报过一句话烧光 200k 的 case，先升级 / 换 provider 再说。
5. 手动控制：用 /compact 自己把握时机，/compact 50 保留最近 50 条消息不压。

量化系统的本质是 5 个模型协同的流水线，5 个里 4 个都是"负面因素"。

• 模型即函数：输入（行情/基本面数据）→ 函数（策略规则）→ 输出（交易动作），没什么神秘的
• 5 大核心模型：Alpha（买什么）、风险（最多亏多少）、交易成本（滑点/手续费）、投资组合（鸡蛋分篮子）、执行（怎么下单）
• 3+2 拆解：3 大预测模型（Alpha/风险/交易成本）+ 2 大决策模型（组合/执行），投资组合构建是三角约束的平衡点
• 执行反馈闭环：组合 ↔ 执行是双向箭头，实盘数据回流持续校准各模型
• 多数策略亏钱的根因：只盯着 Alpha，忽略另外 4 个
• 数据是食材、研究是永动机：行情/基本面/另类数据三类，研究贯穿策略-回测-优化全周期

Loop Engineering 不是写更好的 prompt，是把"下指令的人"从自己换成一套你设计好的系统。

• Boris Cherny（Claude Code 负责人）："我已经不 prompt Claude 了，我的工作是写 loops"
• 从 ReAct 到 Ralph Loop 到 Claude Code /goal，底层逻辑是从"手工"到"工业"的范式迁移
• 六大构件：自动化触发、工作区隔离、技能沉淀、MCP 连接器、子代理分离、外部状态持久
• 关键前提：任务高度重复，验证可自动化，团队有充足 Token 预算
• 适合 CI 故障排查、依赖更新等标准化流程；不适合架构重构等需要人类判断的决策

Loop 越顺畅，人越容易停止思考——验证偷懒和理解债比 token 账单更危险。

Claude Design 是 Anthropic 2026 年 4 月推出的 AI 设计工具，社区在 4 天 内逆向出开源替代 Huashu Design，GitHub Star 一个月破 1.7 万。

1. 本质是 skill：一套注入 AI Coding 终端的设计 skill 文件，自然语言描述需求，Agent 自动生成成品，不是 SaaS 产品。
2. 七大交付能力：交互原型、可编辑 PPTX、60fps 动画、信息图、设计变体、风格顾问、5 维评审。
3. 品牌资产协议：5 步硬流程——问→搜→下载→提取色值→固化 spec，绝不从记忆猜品牌色。
4. Junior Designer 工作流：先问澄清问题、先出占位符、尽早展示——理解错比晚发现便宜 100 倍。
5. 反 AI Slop 规则：禁止紫渐变、emoji 图标、Inter 字体、过度圆角，用 oklch 色域和 CSS Grid。
6. 一句话总结：Claude Design 是更好的图形工具，Huashu Design 让图形工具这层消失。

RLHF 是大模型从"能用"到"好用"的关键一步。它不解决"模型知不知道答案"，而是解决"答案像不像人话"。

• 三阶段工作流：SFT 教指令遵循 → 奖励模型学打分 → PPO 用打分信号优化策略。
• 奖励模型的核心任务：给任意 prompt+response 打出标量分数，替代人类实时标注。
• PPO 的奖励不是纯 RM 分，而是 RM 分减 KL 惩罚——防止模型为刷高分胡说八道。
• PPO 对超参极度敏感，RM 不准确会导致优化跑偏，这是 RLHF 最大的工程难点。
• DPO（NeurIPS 2023）直接砍掉奖励模型和 RL，把偏好对齐变成分类问题。
• DPO 更稳定更省资源，已成 RLHF 主流替代方案。

SSE 和 STDIO 是 MCP 的两种传输方式，区别不在通信模式，在进程边界——STDIO 面向本地进程，SSE 面向远程服务。

• STDIO：客户端 fork 子进程，通过 stdin/stdout 收发 JSON-RPC，零网络开销
• SSE：客户端连远程 HTTP 端点，服务端推送事件，需处理鉴权和网络延迟
• 选择逻辑：本地工具用 STDIO，远程共享服务用 SSE，场景决定选型
• 核心差异：STDIO 进程由客户端管理生命周期，SSE 服务端独立部署
• MCP 演进：原始 HTTP+SSE 已被 Streamable HTTP 替代，不再需要双通道拆分
• 关键提醒：本地工具用 SSE 是自找麻烦，多了端口、CORS、鉴权，收益为零