首页 文章 精选 留言 我的

精选列表

搜索[Agent Runtime],共10000篇文章
优秀的个人博客,低调大师

给Coding Agent立规矩:一套可落地的六层治理架构

> AI 编码助手最大的风险不是写得差,而是"不受约束地做错事"。我把个人工作台的治理体系拆成了六层——宪法层定原则、执法层做硬拦截、流程层管怎么做、知识层管经验复用、协作层管交叉评审、记忆层管跨会话沉淀。核心思路一句话:**提示词是君子协定,机制才是法律。** > > 文中机制基于 ZCode 的 AGENTS.md / hooks / 子代理 / 记忆体系实现,但设计思路适用于所有具备"规则文件 + hooks + 子代理"能力的 CLI 编码智能体(Claude Code、CodeBuddy 等)。 ## 一、为什么需要治理:三类典型的翻车现场 用过 AI 编码智能体的人,多半撞见过三类问题: 1. **数据误伤。**"帮我整理一下这张表"——它很勤快地清洗完,直接把结果**写回了原文件**。清洗逻辑有 bug?抱歉,覆盖就是覆盖了,原始数据没了。 2. **流程失控。**一句模糊需求,它直接改了十几个文件,方向还不对。返工的成本比你自己写还高。 3. **质量幻觉。**它说"完成了,测试通过"。但"测试"是它临时编的两行断言,主流程根本没跑过。自己写、自己查、自己宣布合格——既当运动员,又当裁判。 三类问题的共同根源:**模型的"自觉"是概率性的,关键约束不能只存在于提示词里。** 这套架构的出发点,就是把最重要的规则从"约定"升级为"机制"。 ## 二、总体设计:六层治理模型 ``` L1 宪法层 AGENTS.md 工作宪法 │ —— 每次会话自动注入,只写原则级规则 L2 执法层 Hooks + 保护清单(data-guard.lock) │ —— Write/Edit/Bash 硬拦截、契约门、报告门、纪律卡片注入 L3 流程层 Skills(按需加载) │ —— 数据安全细则、开工契约、检查-修复循环 L4 知识层 知识库 + 路由表 │ —— 查阅型工程经验,场景命中时才读 L5 协作层 Subagents(窄而专) │ —— 设计评审、独立第三方代码审查 L6 记忆层 Memory(跨会话持久化) —— 用户偏好、项目上下文、反馈教训 ``` 各层职责与加载方式: | 层 | 载体 | 职责 | 加载方式 | | --------- | ---------------- | ---------------------------------------- | ------------------ | | L1 宪法层 | AGENTS.md | 定原则:数据红线、开工契约、质量闭环 | 每次会话自动注入 | | L2 执法层 | Hooks + 保护清单 | 违规硬拦、流程门禁、纪律提醒 | 框架事件触发 | | L3 流程层 | Skills | 具体流程:怎么保数据、怎么开工、怎么验收 | 按需加载 | | L4 知识层 | 知识库 + 路由表 | 查阅型经验复用 | 场景命中时读取 | | L5 协作层 | Subagents | 审美把关、独立评审 | 主智能体委派 | | L6 记忆层 | 记忆文件 | 跨会话沉淀 | 索引常驻、正文按需 | 两条设计主线贯穿全部六层: **上下文经济学。** 宪法只有几百字,常驻每次会话;细则全部外置——流程细节放 skill,经验放知识库,命中场景才加载。避免把所有规范堆进系统提示词,既烧 token,又稀释模型对关键规则的注意力。 **约定与执法分离。** 原则写在宪法里(模型读了会遵守,大部分时候);可机械化判断的环节交给 hooks 强制执行(模型想违反也违反不了)。判断标准很简单:**这件事能不能用一个 if 语句判断?能,就别指望自觉。** ## 三、L1 + L2:宪法与执法——让红线真正"硬"起来 ### 3.1 宪法层:几百字定方向 AGENTS.md 是整个体系的根文件,每次会话开始自动注入。它只写原则级内容,每一条都短到模型不可能"没看到": - **数据安全红线(最高优先级)**:用户数据文件默认只读;"整理/修复/清洗"类请求的输出一律写带时间戳的新文件,绝不写回原文件;删除或覆盖任何文件前,先查看目标内容。 - **先讨论后动手**:非平凡任务先调查再提问,提交目标/阻塞性问题/假设/计划,批准后才动手。 - **质量闭环**:实现完成后走检查-修复循环,无新的必须修复项才算完成。 - **标准不将就**:在"够用了"和"做对了"之间选后者;交付时交代残留风险与下一级路径。 ### 3.2 执法层:四个机制 宪法定规矩,执法层负责"违者必究"。实现上是一个脚本,挂在框架的四类事件上: | 机制 | 触发点 | 行为 | | ------------ | ---------------------------------------- | -------------------------------------- | | 数据红线拦截 | Write / Edit / Bash | 写目标命中保护清单 → 硬拒绝(无限次) | | 开工契约门 | 非平凡任务动手前 | 未走契约流程 → 拒绝并要求补流程 | | 交付报告门 | 任务声称完成时 | 无交付报告 → 拒绝并要求补报告 | | 纪律卡片注入 | 会话开始 / 上下文压缩后 / 首次代码改动后 | 注入精简版纪律提醒 | 数据红线的运行方式值得展开讲。全局和每个项目各有一份保护清单 `data-guard.lock`,格式极其简单——每行一个路径或 glob: ``` D:\data\客户名单.xlsx D:\data\原始采集\** ``` 任务开始时,智能体把本次要读的输入数据路径登记进清单;此后任何 Write/Edit 工具调用、任何 Bash 命令,只要写目标命中清单,直接被 hook 拒绝执行。**解除保护只能由用户手动删除条目**——智能体自己无权解锁。 ### 3.3 诚实的取舍 执法层不是万能的,设计文档里明写着已知限制,这些取舍我认为值得公开: - **fail-open**:hook 自身解析失败时一律放行——宁可极端情况下漏拦,也不让执法系统的故障卡死整个会话。可用性优先于完备性,这是有意为之。 - **Bash 是绊线,不是城墙**:只拦"命令文本同时包含保护路径和写操作符(`>`、`sed -i`、`rm` 等)"的命令;脚本内部的间接写拦不住。所以主防线永远在 Write/Edit 工具层,Bash 拦截只是兜底。 - **解除权在人**:所有自动化都可以被用户一键停用。治理体系约束智能体,不绑架用户。 这套防线的由来是一次真实事故:一份重要登记表,被一条"本应只改临时副本"的代码路径写坏,数据映射全部丢失,只能手工恢复。复盘结论很清楚——"我只改副本"是约定,而约定之外还有一百条代码路径能碰到原文件。所以红线必须靠机制:**登记路径 → 所有写出过守卫 → 输出带时间戳且不覆盖同名文件 → 任务结束时复核输入文件哈希未变**,最后一步作为"我没碰你的数据"的客观证据交付给用户。 ## 四、L3 流程层:开工契约与检查-修复循环 ### 4.1 开工契约:像按返工计费的承包商那样工作 任何非平凡编码任务,动手前必须走四步: 1. **先调查**:一分钟内能查到的信息(框架版本、目录结构、已有抽象),不许当问题去问用户; 2. **提交契约**:目标(含逐条可独立判 PASS/FAIL 的验收标准)、阻塞性问题(0–5 个,每个附推荐答案)、可证伪的假设、计划(含被舍弃的备选方案及理由); 3. **停手,等待批准**; 4. **批准后落盘**:契约写入项目 `docs/spec.md`,成为交付验收时的审查基准。 一个容易被忽略的设计:**问题必须带推荐答案**。"用 A 还是 B?"是开放式问题,用户还得自己调研;"建议用 A,理由是 X,没有异议我将按 A 执行"才是阻塞性问题——用户回一句"同意"就能推进。把用户的决策成本压到最低。 流程按"爆炸半径"伸缩:改个错别字直接做;新建模块、动 schema、涉及鉴权/资金/数据迁移/删除的改动,全套走满,并比平时更怀疑自己的假设。 ### 4.2 检查-修复循环:开发完成 ≠ 可以交付 写完代码后的验收是一个循环,每轮 = 静态审查 + 动态验证 + 修复 + 回归: - **静态轮(读代码)**:委派一个**没有写过这段代码**的独立评审子代理,对照 spec 验收标准逐项判 PASS/FAIL,输出 🔴(必须修复)/ 🟡(建议修复)/ 🟢(可选)分级问题清单。评审视角按轮轮换:第一轮对照 spec 查正确性,第二轮专攻边界与失败路径(畸形输入、超时、部分失败),第三轮起查安全、数据红线和回归。 - **动态轮(跑起来)**:至少执行一种真实验证——全量测试套件、用已知数字做断言的真实数据只读集成测试、主流程冒烟、GUI 截图回归。"测试通过"必须是跑出来的,不是编出来的。 - **修复纪律**:只修 🔴 和影响验收的 🟡;修完不顺手重构——每多改一处,回归面积就大一分。 - **回归**:每轮修复后,把此前各轮的静态发现项和动态断言重跑一遍,防止"修 A 破 B"。 终止条件有三条(先到为准):连续一整轮无新必须修复项;到达轮次上限(默认 3 轮,大改动最多 5 轮);连续两轮问题清单无任何新增——审查者在重复自己,继续跑只是烧 token。 特别注意:**"再也挑不出任何意见"不是终止条件**。审查者永远能给出版式和风格建议,停的标准是"没有新的必须修复项",不是"没有新意见"。没有终止条件的评审循环会空转到天荒地老。 ## 五、L4 知识层:流程型做成 skill,查阅型做成文档 经验沉淀分两类,存放方式不同: - **有明确触发动作的流程规范 → skill**。比如"做数据清洗前先登记保护清单"——有触发条件、有执行步骤,适合被框架强制调用。 - **查阅型的参考经验 → 知识库文档**。比如"Windows 中文环境的编码坑"、"桌面应用打包分发要点"——没有固定步骤,是遇到时才需要翻的参考资料。 知识库靠一张路由表工作:根文件里维护"何时 → 文档"的映射表,场景命中时智能体先读对应文档再动手。"何时"必须写得具体可判断——"涉及数据库迁移时"是好条件,"数据库相关"不是。 登记规范也很克制:目录层级最多两级,更深的关联用文档内的"相关"指针串接;同主题的新经验合并进已有文档,不另开新文件。**知识库要防的是腐化,不是堆积。** ## 六、L5 + L6:协作层与记忆层 ### 6.1 窄而专的 subagent:跨模型交叉评审 主智能体负责拆解任务与整合产出,两类工作固定委派出去: - **设计评审** → 设计子代理(视觉模型):UI 方案、设计系统、界面走查,给到具体数值级改法; - **代码评审** → 独立评审子代理(另一家厂商的模型):对照验收标准做第三方评审,只评估、不重写。 独立评审子代理有两个关键约束:委派时**必须附验收标准**(否则评审没有锚点);它基于与主智能体**不同的模型**——换一个模型视角等于换一双眼睛,同时规避"自己写自己审"的沉没成本和思维盲区。它的能力边界也写明:纯文本评审、看不了截图,图片类证据自动分流给视觉模型——分工边界清清楚楚,不靠临场发挥。 ### 6.2 记忆层:让同一个坑只摔一次 跨会话记忆按四类归档:用户是谁(user)、做事方式的反馈(feedback)、项目上下文(project)、外部资源指针(reference)。每条记忆一个文件、一行索引;索引常驻上下文,正文按需读取。 它真正的价值在闭环:数据事故的复盘沉淀为红线规则,红线上升为宪法,宪法配上执法 hook——**同一个坑,机制保证不会掉第二次。** ## 七、演进机制:架构自己怎么长大 静态的规范会过时,所以体系内置了演进信号。执行任务中出现三类信号,就说明有规则该固化了: - 同类分岔判断反复靠现场发挥; - 工序交接靠对话记忆而非文件; - 需要人口头指挥"该走哪条路"。 固化路径对应三档:明文规则(进宪法)、文件接口(进知识库)、流程规范(进 skill)。反方向也有约束:没有真信号不硬凑,提醒要具体到"改哪、为什么",且不打断进行中的任务。**规范体系本身,也服从最小必要原则。** ## 八、落地清单:从零搭一套 1. **先写宪法**(半天):把最高频的 3 个痛点写成根文件里的原则。几百字,别贪多; 2. **给数据上锁**(一天):Write/Edit hook 拦截 + 路径登记清单。这是 ROI 最高的一层,值得最先做; 3. **抽象开工契约**:哪怕只做到"动手前先给目标和验收标准,等人点头",也已消灭大部分返工; 4. **把验收外包给另一个模型**:评审子代理 + PASS/FAIL 清单 + 严重度分诊 + 终止条件; 5. **攒知识库**:从路由表开始,同类问题遇到第二次再建文档,不预建; 6. **定期复盘**:翻车 → 写规则 → 能用 if 语句判断的,配 hook。 ## 结语 这套架构没有什么黑科技——规则文件、hooks、子代理、记忆文件,都是框架的原生能力。它真正花力气的地方,是**区分"约定"与"机制"**:模型读了会照做的,写成约定,保持轻;必须发生的,做成机制,宁重勿漏。 AI 编码智能体的能力上限由模型决定,但下限由治理决定。模型每个月都在变强,而一套好的治理架构,是可以复利的。

优秀的个人博客,低调大师

AI大模型赋能软件测试与Agent开发:少写代码,多想场景

## 一、测试的瓶颈,往往不在“执行” 软件测试的日常,很多时候不是“跑不动”,而是“想不全”。需求文档一句话,测试人员要拆出正常流程、边界条件、异常分支、并发场景、兼容性组合。写自动化脚本更耗时:定位元素、封装接口、维护断言,需求一变,脚本跟着大面积返工。 大模型的价值,恰好落在这些“费脑又费时”的环节:理解需求、生成用例、补全边界、编写脚本、分析日志、总结报告。它不替代测试工程师,而是把重复劳动压缩,让人专注于判断和设计。 ## 二、大模型能介入的六个环节 |环节|大模型做什么|人负责什么| | --- | --- | --- | |需求分析|提取测试点、识别歧义|确认业务规则| |用例设计|生成正常/边界/异常用例|评审覆盖度| |测试数据|造手机号、身份证、订单|脱敏与合规| |自动化脚本|生成 pytest、Selenium 代码|调试与维护| |缺陷分析|归纳日志、猜测根因|复现与定位| |测试报告|汇总结果、提炼风险|判断发布与否| ## 三、少量代码:需求直接变用例 下面这段代码只做一件事:把需求交给模型,让它输出测试用例。 ``` from openai import OpenAI client = OpenAI() def gen_cases(req): prompt = f"""你是资深测试工程师。根据需求生成测试用例, 覆盖正常、边界、异常,用表格输出:用例名、步骤、预期。 需求:{req}""" r = client.chat.completions.create( model="gpt-4o-mini", messages=[{"role": "user", "content": prompt}] ) return r.choices[0].message.content print(gen_cases("登录:手机号+验证码,验证码5分钟有效,错误3次锁定")) ``` 运行后,你会得到一张用例表。它不一定完美,但能帮你快速铺开思路,再由人工补充业务细节。 ## 四、再进一步:生成可执行的 pytest 同样的思路,可以把接口文档交给模型,让它生成 pytest + requests 脚本: ``` def gen_pytest(api_doc): prompt = f"用 pytest + requests 写接口测试,包含状态码和字段断言。接口:{api_doc}" # 调用模型并返回代码 ``` 实际落地时,建议加上模板约束,比如“必须使用 fixture”“必须参数化”“断言必须包含 code 和 message”,这样生成结果更稳定。 ## 五、落地建议 第一,**人机协同**。大模型负责“起草”,人负责“定稿”。用例是否覆盖核心业务,脚本是否可靠,最终仍由测试工程师判断。 第二,**结合知识库**。把历史缺陷、接口文档、业务规则做成 RAG 检索,模型生成的内容会更贴合项目,而不是泛泛而谈。 第三,**工具调用**。让模型调用接口、查数据库、跑脚本,形成“生成—执行—反馈”的闭环,而不是只停留在聊天窗口。 第四,**注意风险**。大模型会幻觉,可能编造不存在的接口字段;公司内部数据不能随意传给公共模型;生成代码要经过审查和测试才能入库。 ## 六、结语 AI 大模型不会让软件测试消失,但会改变测试的工作方式。重复的用例编写、脚本搭建、日志归纳,可以交给模型;测试工程师的价值,会更多体现在业务理解、风险判断和测试策略上。 少写一点代码,多想一点场景——这或许是大模型时代,测试工程师最值得练的能力。

优秀的个人博客,低调大师

Hermes Agent 入门(三):老忘事总断片?搞懂这 3 个概念效率翻倍

用 Hermes 聊了半小时,它突然忘了前面说过的话?换个对话,它完全不认识你了?这不是 bug——是你没搞懂 Hermes 的三个核心概念。 不懂这三个概念,你用 Hermes(以及所有 AI 助手)就像开手动挡的车却不知道离合器是干嘛的——能开,但经常熄火。 ## 概念一:上下文窗口——AI 记忆的"短时容量" **一句话解释**:上下文窗口就是 AI 每次对话能"看到"的最大文字量。上一篇我们查过这个数字,现在来深入理解它怎么影响你的日常使用。 你可以把上下文窗口想象成一张固定大小的桌子。你跟 AI 聊天,每条消息、每个工具的返回结果,都像往桌上放纸。纸越来越多,桌子放不下了怎么办? 上下文窗口就像一张固定大小的桌子 📋 上下文窗口(桌子) 系统提示 技能列表 聊天记录 工具结果 ⚠️ 放不下 的部分 → 被压缩或丢弃 💡 实操技巧 • 聊太久 AI 变笨?/reset • 手动压缩:/compress • 查看用量:/usage • 新话题开新会话 Hermes 会自动处理这个问题——当对话接近上下文窗口上限时,它会**自动压缩**之前的对话内容,保留关键信息,丢弃细节。这个功能叫 `context compression`(上下文压缩)。 **实操:查看压缩设置** 运行以下命令: hermes config | grep compression 你会看到类似: compression: enabled: true threshold: 0.50 target_ratio: 0.20 意思是:当上下文使用了 50% 以上时触发压缩,压缩到原来的 20%。默认配置不用改,知道有这个机制就行。 ## 概念二:AI 记忆——跨对话的"笔记本" 上下文窗口是"短时记忆",关掉对话就没了。**记忆(Memory)是"笔记本"**——AI 把重要信息写下来,下次对话还能翻到。 短时记忆 vs 笔记本 📝 上下文窗口(短时记忆) • 只存在于当前对话 • 关掉就忘了 • 容量有限,会被压缩 📓 记忆(笔记本) • 跨对话持久保存 • 下次对话还在 • 容量小但很关键 Hermes 有两种记忆: **1. 用户画像(User Profile)**:你是谁、喜欢什么、工作是什么。比如你在一次对话中告诉 AI"我是个后端开发,主要用 Python",AI 会记下来。下次对话它就不再给你推荐 Java 方案了,这些你可以告诉Hermes更新到SOUL.md。 **2. 个人笔记(Memory)**:AI 在使用过程中发现的环境信息、踩过的坑、工具的使用技巧。比如"这台机器内存只有 2G,跑不了大模型"——这种事实值得记下来,你可以明确告诉它,记下来。 **实操:查看 AI 记住了什么** hermes memory status 你也可以直接在对话中告诉 AI"记住这个"或者"忘了那个",它会自动调用记忆工具。 **⚠️ 记忆 ≠ 聊天记录** 聊天记录存在 `~/.hermes/sessions/` 里,你可以用 `hermes sessions list` 查看历史会话。但记忆是 AI 主动提取和保存的**关键信息**,不是聊天记录本身。 简单说:**聊天记录是流水账,记忆是 AI 自己做的摘要**。 ## 概念三:系统提示词——AI 对话的"工作手册" 每次你和 AI 对话,背后有一份你看不到的"工作手册"先送到 AI 面前。这份手册叫**系统提示词(System Prompt)**。 它包含这些内容: 系统提示词的构成(从上到下依次加载) ① 角色设定(soul.md)— AI 是谁、怎么说话 ② 记忆(Memory)— AI 记住的用户信息和笔记 ③ 技能索引(Skills)— 可用技能的名字和描述 ④ 工具列表(Tools)— 可调用的工具清单 ⑤ 环境信息(Env)— 操作系统、硬件、工作目录 ⑥ 安全规则(Security)— 哪些操作需要用户确认 这些内容**每次对话都会发送**,都要占用上下文窗口。所以你装的技能越多、记忆越多,留给实际对话的空间就越少。 上一篇说的"删除用不到的技能",就是这个道理——技能索引也是系统提示词的一部分,几十个技能的索引列表就能吃掉几千个 token。 **实操:查看你的系统提示词有多大** 在对话中输入: /usage 你会看到类似: System prompt: ~3500 tokens Conversation: ~1200 tokens Tools: ~800 tokens ───────────── Total: ~5500 / 8000 tokens (68%) 如果 System prompt 占比太高(超过 60%),说明你的技能或记忆太多了,该清理了。 ## 小结:上下文窗口、AI 记忆与系统提示词的关系 三者关系 上下文窗口 AI 的桌子 记忆 AI 的笔记本 系统提示词 AI 的工作手册 记入 注入 记忆(笔记本)每次对话时自动注入系统提示词(工作手册) 系统提示词 + 对话内容 = 占用上下文窗口(桌子) 桌子满了 → 压缩旧内容 → 记住关键信息到笔记本 理解了这三者的关系,你就能: • **AI 突然变笨** → 检查 /usage,看是不是上下文快满了 • **AI 忘了你之前说的** → 看是不是被压缩掉了,让 AI "记住这个" • **AI 回复变慢/变贵** → 看是不是系统提示词太大了,清理技能和记忆 下一篇,我们来讲怎么定制你的 AI 灵魂——通过 SOUL.md 文件让 AI 变成你想要的样子。 ## 常见问题急救:AI 对话中的坑怎么排 **问题一:聊着聊着 AI 开始胡说八道** 这是典型的上下文被压缩后的表现。AI 丢掉了前面的关键信息,只能"猜"。 **解决**: • 先输入 `/usage` 查看当前用量 • 如果已超过 80%,输入 `/reset` 开新会话 • 开新会话前,让 AI "把当前任务的进度记到记忆里",这样新会话还能接上 **问题二:AI 总是忘记我的偏好** 每次都跟 AI 说"我喜欢简洁的回复",但它下次又忘了。 **解决**:直接说"记住:我偏好简洁的回复,不要加多余的客套话"。AI 会把这个写入记忆,以后每次对话都会读到。 你也可以手动编辑记忆文件。记忆保存在 `~/.hermes/memory/` 目录下,直接用文本编辑器打开就能修改。 **问题三:换了模型后行为完全不同** 用 DeepSeek V4 回答很详细,换成 GLM-4-Air 就变简短了。 **原因**:系统提示词(工作手册)虽然一样,但不同模型对同一份手册的"理解程度"不同。能力强的模型能更好地遵循指令,小模型可能忽略一些细节。 **解决**:如果换模型后行为不对,在提示词里更明确地说明你的要求。比如把"简洁回复"改成"每条回复不超过 3 句话,不要加总结"。 > 今天就试试——打开 Hermes,输入 `/usage` 看看你的上下文用了多少、系统提示词占了多大。如果系统提示词超过 60%,立刻清理用不到的技能。做完来评论区告诉我你的数据,我帮你判断要不要优化。

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring

Spring框架(Spring Framework)是由Rod Johnson于2002年提出的开源Java企业级应用框架,旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念,提供核心容器、应用上下文、数据访问集成等模块,支持整合Hibernate、Struts等第三方框架,其适用范围不仅限于服务器端开发,绝大多数Java应用均可从中受益。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册
修改密码
忘记密码