目录

项目背景

我是怎么把模型结构一步步定下来的

代码实现是怎么串起来的

核心原理怎么落到我的代码上

结果怎么看，模型到底有没有发挥作用

为什么我还要专门做 SHAP

总结与反思

不是把模块堆长就行：我用 GA + CNN + TCN + BiLSTM + Attention + SHAP 做锂电 SOH 预测的一次真实代码复盘

这次我想认真复盘的，不是一篇把模型名字串起来的“组合拳介绍”，而是我在一个锂电池 SOH 预测原型项目里，围绕局部特征提取、长短期依赖建模、关键时间步聚焦、超参数优化和结果可解释性这五个目标，怎么一步一步把方案打磨成 GA + CNN + TCN + BiLSTM + Attention + SHAP 这条完整链路的。

不过在正式展开之前，我先把一个非常关键的事实说清楚：我当前这版仓库里并没有接入真实锂电池实验数据文件。main.py 里实际调用的是 generate_dummy_battery_data()，生成了 1500 条模拟样本；标签是一个带噪声的 SOH 下降曲线，输入特征则被命名为“电压、 电流、 温度、 时间、 循环次数”。也就是说，这套代码现在更像是一个面向锂电 SOH 预测的完整工程原型，而不是已经在真实实验数据上充分验证完毕的最终版本。后面这篇文章，我都会严格按这份真实代码来讲，不会把它包装成代码里并不存在的结果。

项目背景

我之所以会做锂电池状态预测，本质上还是因为这个问题天然具有“时序 + 非线性 + 多因素耦合”的特点。无论我要预测的是 SOH、容量衰减、寿命趋势，还是更广义的性能退化，它都不是一个简单的静态回归问题。电池数据里通常同时存在几类很典型的困难：

局部上，它会有短时间波动，比如充放电过程中的电压、电流、温度变化；全局上，它又存在长期退化趋势，比如随着循环次数增加，容量和健康状态逐渐下降；更麻烦的是，这种变化还经常是非线性的、带噪声的，而且短期模式和长期趋势是交织在一起的。

也正因为这样，我一开始就不太想把问题停留在“单一模型够不够”这个层面。单纯靠一个浅层回归器，很难同时吃掉局部波动和长期依赖；只靠 RNN 或 LSTM，又容易把局部模式的抽取做得不够直接；只靠卷积，长依赖又可能不够。我的想法很明确：不是为了把模型名字拉长，而是想让不同模块各自负责一件事，然后形成互补。

从当前代码看，我最终把预测目标设成了 SOH，一步预测下一个时间点的健康状态。create_sequences() 的写法非常直接，就是用长度为 16 的历史窗口去预测窗口之后的那个 SOH：

for i in range(len(features) - seq_length):
    x = features[i:(i + seq_length)]
    y = labels[i + seq_length]

这段实现其实已经把任务定义说得很清楚了：我不是做整段序列重建，也不是做多步滚动预测，而是做一个标准的滑动窗口单步预测。

我是怎么把模型结构一步步定下来的

虽然这版仓库里没有把每一个中间版本都保留下来做成可切换 baseline，但从 model.py 里 CNN_TCN_BiLSTM_Attention 的串联顺序，我自己的优化路径其实很清楚。

先说 CNN。我先引入一维卷积，不是因为它“常见”，而是因为我不想一上来就把原始序列整段扔给循环网络。锂电这类多变量时序里，很多有用的信息其实先出现在局部邻域里，比如相邻时刻的电压、电流、温度组合变化。CNN 在这里更像一个短窗口模式提取器。代码里这一层写得很直接：

self.cnn = nn.Conv1d(
    in_channels=config.input_dim,
    out_channels=config.cnn_out_channels,
    kernel_size=config.cnn_kernel_size,
    padding=config.cnn_kernel_size // 2
)

输入先从 (batch, seq, feature) 变成 (batch, feature, seq)，然后做一维卷积。这一步解决的是“先把局部混合模式卷出来”，而不是让后面的时序模块自己从原始信号里一点点摸索。

然后我加上 TCN。原因也很现实：普通卷积能看局部，但感受野有限；如果我只把 CNN 堆深一点，未必划算。TCN 的价值在于它用膨胀卷积扩大感受野，同时保留卷积在训练稳定性和并行性上的优势。更关键的是，我在 TemporalBlock 里保留了残差结构和 Chomp1d，这说明我希望它在“扩大时间视野”的同时，仍然保持因果对齐和可训练性。代码里 TemporalConvNet 两层的膨胀系数分别是 1 和 2，通道配置是 [32, 64]，这意味着它不是无脑堆很多层，而是在一个比较轻量的规模上先做多尺度时序建模。

再往后是 BiLSTM。很多人会问，前面都已经有 TCN 了，为什么还要 BiLSTM，会不会重复？我的理解是，它们做的事并不一样。TCN 更擅长用卷积方式抓多尺度局部时间模式，它对“某种形状出现过没有”很敏感；BiLSTM 更擅长把窗口内前后文联系起来，去理解一个时间步在整个历史片段中的位置关系。对于我现在这个任务来说，输入是完整历史窗口，预测的是窗口之后的下一个 SOH，所以我在窗口内部使用双向 LSTM 并不构成未来泄漏，它只是更充分地利用当前窗口里的上下文信息。也正因为这个原因，我把 BiLSTM 放在 TCN 后面，而不是放在最前面直接吃原始特征。

Attention 是我后面加上的重点。坦白说，我不太喜欢那种“只要是序列模型就默认加个注意力”的做法。我要它，是因为我不想让窗口里 16 个时间步被平均对待。做电池预测时，有些片段的信息密度高，有些片段更像背景；如果模型最后只能拿一个 BiLSTM 的整体隐藏状态去回归，我会担心它把关键时间步冲淡。所以我在代码里用了一个很轻量的加性注意力：

self.attention = nn.Sequential(
    nn.Linear(hidden_dim * 2, hidden_dim),
    nn.Tanh(),
    nn.Linear(hidden_dim, 1)
)

它的作用很明确，不是生成复杂的对齐矩阵，而是给每个时间步打一个分数，再通过 softmax 形成权重，最后做加权求和得到上下文向量。也就是说，我想让模型自己学会：这 16 个历史点里，到底哪些该看得更重。

接着是 GA。这一块不是“为了高大上”，而是因为我很清楚这种混合模型里有些超参数非常敏感，尤其是学习率、LSTM 隐藏维度、CNN 输出通道数。如果只靠手工调参，我很容易陷入拍脑袋；如果直接做细粒度网格搜索，成本又不太友好。所以我在 ga_optimize.py 里只挑了 3 个最关键的参数让遗传算法去搜：

  • learning_rate
  • lstm_hidden_dim
  • cnn_out_channels

搜索范围也写得很实在：

  • 学习率：1e-4 ~ 1e-2
  • LSTM 隐藏维：16 ~ 128
  • CNN 通道数：16 ~ 64

这说明我的目标不是“全参数自动搜索”，而是优先解决最影响训练行为的几个旋钮，把调参从纯经验驱动，拉回到一个可搜索的范围内。

最后我接入 SHAP。我加它不是为了让项目看起来“带解释性”，而是因为我不希望最后只拿到一张预测曲线，然后对模型内部到底学到了什么一无所知。电池预测不是普通推荐系统，很多时候它会影响维护判断、寿命评估甚至安全决策。模型能不能解释，决定了我到底敢不敢信它。对我来说，SHAP 要回答的是三个问题：模型更关注哪些输入变量；这些变量是怎么推动预测变大或变小的；模型学到的规律到底像不像一个有物理意义的退化模式。

代码实现是怎么串起来的

我这版工程的入口非常集中，主流程几乎都在 main.py 里串起来了。它的执行顺序很清楚：

  1. 构造配置 Config()
  2. 生成模拟数据 generate_dummy_battery_data()
  3. 调 get_dataloaders() 做归一化和序列化
  4. 调 run_ga_optimization() 搜超参数
  5. 用最优配置实例化最终模型
  6. 调 train_best_model() 做正式训练并保存最优权重
  7. 调 evaluate_and_plot() 输出预测曲线和残差图
  8. 调 plot_attention_heatmap() 画注意力热力图
  9. 调 run_shap_analysis() 做 SHAP 分析

先看数据部分。Config 里把核心输入维度和窗口长度都定死了：

  • seq_length = 16
  • input_dim = 5
  • output_dim = 1

主脚本里生成了 1500 个时间点的数据：

features = np.random.randn(samples, input_dim)
time_steps = np.arange(samples)
soh = 1.0 - (time_steps / samples) * 0.3 + np.random.normal(0, 0.01, samples)

这里有一个我必须如实说明的点：从特征命名上看，我原本想把输入理解成“电压、电流、温度、时间、循环次数”五个变量，但当前实际生成的 features 是纯随机高斯噪声，真正体现退化趋势的只有标签 soh。这也意味着这版代码现在验证的是“方法流程能不能跑通”，而不是“模型有没有真正学到电池机理”。

接着是 data_loader.py。这里我用了 MinMaxScaler 做归一化，再用滑动窗口把原始二维特征变成三维序列张量。按当前数据量计算，1500 个原始点经过长度为 16 的窗口切分后，会得到 1500 - 16 = 1484 条样本，再按 8:2 划分成训练集和测试集，差不多是 1187 / 297。由于 train_loader 里设置了 drop_last=True，每个 epoch 真正参与训练的是 1184 条样本，最后 3 条会被丢掉。

这里还有两个很真实的工程细节。第一，当前代码是先对全量数据 fit_transform，再去划分训练集和测试集，这会带来轻微的数据泄漏；第二，函数只返回了 label_scaler，没有把 feature_scaler 一起保存出来。代码注释其实也已经意识到这个问题了，说明我自己也知道，如果后面要做正式推理，Scaler 必须跟着模型一起固化。

再看模型前向过程，这是整个工程里最核心的一段：

x = x.permute(0, 2, 1)
c_out = F.relu(self.cnn(x))
t_out = self.tcn(c_out)
t_out = t_out.permute(0, 2, 1)
r_out, _ = self.bilstm(t_out)
context, _ = self.attention(r_out)
out = self.fc(context)

如果按当前保存下来的最优权重去反推，模型的实际形状变化大致是这样的：

  • 输入：(B, 16, 5)
  • 转置后：(B, 5, 16)
  • CNN 后：(B, 34, 16)
  • TCN 后：(B, 64, 16)
  • 转回 LSTM 输入：(B, 16, 64)
  • BiLSTM 后：(B, 16, 146)
  • Attention 聚合后：(B, 146)
  • 全连接输出：(B, 1)

这里的 34 和 73 很有意思。Config 默认值其实是 cnn_out_channels=32、lstm_hidden_dim=64，但我把 best_soh_model.pth 的权重形状反推了一下，当前保存下来的最优模型实际上已经把这两个值调成了 34 和 73。这正好也说明 GA 确实在改变网络结构，而不是只做了一个形式上的搜索。至于最终学习率，当前代码没有额外落盘，所以单看现有文件没法反推出运行时的具体值。

GA 和主模型训练的衔接方式也很清楚。ga_optimize.py 里先定义了一个 quick_train_eval()，每组候选参数只快速训练 5 个 epoch，然后直接在验证集上算 MSE，作为适应度。再由 sko.GA 去完成种群搜索。当前设置是：

  • 种群数量：10
  • 迭代代数：5
  • 每个个体快速训练：5 个 epoch
  • 变异概率：0.1

这套设计的优点是快，总代价可控；缺点是候选参数的好坏是用“短训练代理”来评估的，跟最终训练 80 轮的真实表现之间不一定完全一致。对原型项目来说，这个取舍我觉得是合理的，但如果后面做正式实验，我会更谨慎地处理。

正式训练部分写在 train_best_model() 里，损失函数就是 nn.MSELoss()，优化器是 Adam，没有加学习率调度器，也没有显式早停，而是靠“验证集损失下降就保存权重”来做 checkpoint 管理。输出结果则非常完整，一次性生成 6 张图：

  • plot_1_ga_convergence.png：GA 收敛曲线
  • plot_2_loss_curve.png：训练/验证损失曲线
  • plot_3_soh_prediction.png：SOH 预测曲线
  • plot_4_error_distribution.png：残差分布直方图
  • plot_5_attention_heatmap.png：注意力热力图
  • plot_6_shap_summary.png：SHAP 总结图

SHAP 的接入方式也比较标准。我从训练集中截取前 100 条样本作为背景集，再拿测试集的第一个 batch 作为解释对象，用的是 shap.GradientExplainer。同时我还专门把 torch.backends.cudnn.enabled 临时关掉，这通常是为了避开 RNN 梯度解释时和 cuDNN 的兼容问题。这是一个很典型、也很实用的工程小细节。

核心原理怎么落到我的代码上

我不想把这一节写成脱离实现的纯理论，所以只讲和当前代码真正对应得上的部分。

一维卷积这一步，本质上是在时间维上滑动卷积核，对短窗口内的多变量组合模式做抽取。可以写成：

h_t^{(cnn)}=\mathrm{ReLU}\left(\sum_{i=0}^{k-1}W_ix_{t+i-\lfloor k/2\rfloor}+b\right)

在我的代码里，k=3，也就是每次看 3 个相邻时间点。它的意义不是做长依赖推理，而是先把局部变化模式卷出来，给后面的 TCN 和 BiLSTM 提供更高层的输入。

TCN 的关键是膨胀卷积。它在第 tt 个位置的计算可以理解成：

h_t^{(tcn)}=\sum_{i=0}^{k-1}w_ix_{t-d\cdot i}

其中 dd 是膨胀系数。在我的实现里，两层 TemporalBlock 的膨胀系数分别是 1 和 2。这意味着第二层看到的时间间隔已经被拉开了，感受野比普通卷积大得多，但参数量并没有线性爆炸。

BiLSTM 负责的是对 TCN 输出后的序列做上下文整合。它的门控形式还是标准的 LSTM：

f_{t}=\sigma(W_{f}[h_{t-1},x_{t}]+b_{f}),\quad i_{t}=\sigma(W_{i}[h_{t-1},x_{t}]+b_{i})\tilde{c}_{t}=\mathrm{tanh}(W_{c}[h_{t-1},x_{t}]+b_{c}),\quad c_{t}=f_{t}\odot c_{t-1}+i_{t}\odot\tilde{c}_{t}

我在代码里用的是双向版本，所以每个时间步最终会得到前向和后向两个隐藏状态的拼接输出。当前保存模型的 hidden_dim=73，所以 BiLSTM 输出维度是 146。

注意力层做的是时间步重加权。对应到代码里的 Attention 模块，可以写成：

et=v⊤tanh⁡(Wht),αt=exp⁡(et)∑jexp⁡(ej)et​=v⊤tanh(Wht​),αt​=∑j​exp(ej​)exp(et​)​c=∑tαthtc=t∑​αt​ht​

这里的 htht​ 就是 BiLSTM 在第 tt 个时间步的输出，αtαt​ 是该时间步的注意力权重，cc 是最后送进全连接层的上下文向量。对我这个项目来说，这一步非常重要，因为它明确告诉模型：16 个时间步不是同权的。

GA 的适应度函数，本质上就是拿验证集 MSE 来衡量一组超参数的优劣：

\mathrm{fitness}(p)=\frac{1}{N}\sum_{i=1}^{N}(\hat{y}_i-y_i)^2

在 fitness_func() 里，参数向量 pp 对应的就是学习率、LSTM 隐藏维和 CNN 输出通道数。我的目标很明确：不去搜索一大堆边缘超参，只盯住最可能影响训练行为的核心参数。

结果怎么看，模型到底有没有发挥作用

先看 GA 收敛图。当前这版运行结果里，GA 曲线并不是单调下降的，而是存在明显波动。这很正常，也很符合代码设置本身的特点：种群只有 10，迭代只有 5 代，而且每个个体只快速训练 5 个 epoch。换句话说，我这里的 GA 更像是一次轻量级启发式搜索，而不是一个收敛得很充分的大规模超参数优化过程。它的作用主要是把默认参数从“拍脑袋初始化”往“更可用的区域”推一把。

再看训练日志，这部分信息其实非常有代表性：

  • Epoch 10：Train Loss 0.047557，Val Loss 0.185718
  • Epoch 20：Train Loss 0.040935，Val Loss 0.111830
  • Epoch 30：Train Loss 0.012470，Val Loss 0.185943
  • Epoch 80：Train Loss 0.002861，Val Loss 0.179426

如果只看训练损失，我很容易误以为模型越训越好；但一看验证损失就会发现，真正的最好点其实出现在第 20 轮左右。后面训练损失继续往下掉，验证损失却开始明显波动甚至反弹。这也是为什么 train_best_model() 要保存验证集最优权重，而不是拿最后一轮直接输出。换句话说，我最终真正用于预测的，不是第 80 轮的模型，而是大概率停在第 20 轮附近的那份 checkpoint。

这一点我后来又用保存下来的 best_soh_model.pth 复核了一次，重新在同样的模拟数据上做评估后，测试集归一化 MSE 正好就是 0.111829，和第 20 轮日志完全对上。这说明当前结果图对应的确实是“验证集最优权重”，而不是随手拿最后一轮凑出来的。

但更重要的是，我在看 plot_3_soh_prediction.png 和 plot_4_error_distribution.png 时，得到的结论并不是“模型效果很好”，而是一个更真实的判断：这套流程跑通了，但当前数据构造并不支持它学出可信的 SOH 规律。

原因很直观。预测曲线整体明显高于真实曲线，残差直方图大部分都落在 0 的左侧，说明 真实值 - 预测值 大多为负，也就是模型在系统性高估 SOH。我把当前保存权重又补算了一下，测试集上的平均残差大约是 -0.1107，预测值主要落在 0.809 ~ 0.875，而真实值主要在 0.683 ~ 0.786。这个偏差已经不是“有点误差”，而是很明显的整体偏移。

这并不意味着 CNN + TCN + BiLSTM + Attention 这个思路本身错了，而是说明当前输入和标签之间没有建立起足够真实的关联。因为 generate_dummy_battery_data() 里那 5 维输入本质上只是随机噪声，模型能学到的主要是训练集分布下的一些偶然模式，很难在测试段上真正追踪 SOH 下降趋势。

注意力热力图倒是提供了一个有意思的侧面信息。当前 plot_attention_heatmap.png 是从测试集第一批数据里只拿一个样本画出来的，所以我不会把它当成全局规律，但至少从这张图上看，最近的时间步权重更高，尤其 t-2 和 t-1 相对更突出。这和单步预测的直觉是吻合的：离预测点越近的历史片段，往往越直接。

至于“加入 Attention 前后到底提升了多少”“GA 优化前后提升了多少”，我这里不会硬写具体数字。原因很简单：当前仓库没有把这些对照实验单独保留下来，也没有做系统消融。能诚实下的结论是，代码结构上它们各自承担了明确职责，但从现有文件我不能负责任地给出一组并不存在的 ablation 指标。

为什么我还要专门做 SHAP

如果这个项目只是为了在图上画出一条预测曲线，其实做到 evaluate_and_plot() 就可以收手了。但我还是把 SHAP 接了进去，因为在电池预测这个问题上，我真的不太接受“黑箱高分”这件事。

如果一个模型能把 SOH 预测得很准，但我完全不知道它到底看重了哪些输入特征，那么这个模型一旦被拿去支持寿命评估、维护建议或者安全相关判断，我心里其实是不踏实的。尤其在电池这种问题上，解释性不是“锦上添花”，而是可信度的一部分。

从实现上看，我当前这版 SHAP 做的是时间序列的全局聚合解释。GradientExplainer 先对三维输入求贡献值，然后我在时间维上做平均，把 (batch, seq, feature, 1) 压缩成接近二维的形式，再去画 summary_plot。这个思路本身没问题，它的目标是回答：从整个窗口的平均贡献来看，哪些输入变量更重要。

但这里我也必须非常诚实地指出，当前 plot_6_shap_summary.png 的展示效果其实并不理想，甚至暴露出了两个我后面一定会改的问题。

第一个问题是实现细节。当前代码里用了：

shap_values_2d = np.mean(shap_values, axis=1)
test_data_2d = np.mean(test_data.cpu().numpy(), axis=1)

可实际 shap_values 的形状是 (batch, seq, feature, 1)。我只对时间维做了平均，却没有把最后那个单输出维 squeeze 掉，这会导致传给 summary_plot 的数组维度不够干净，所以图上现在只清晰显示出了一行特征标签，解释结果是失真的。

第二个问题比实现更本质：当前输入特征本身是随机生成的，它们虽然被命名成“电压、电流、温度、时间、循环次数”，但数值上并没有真正承载这些物理含义。换句话说，就算 SHAP 算出了某个特征更“重要”，这个重要性也很难被解释成可信的电池机理结论。

也正因为这样，我反而更能感受到 SHAP 的价值。它不是只在模型效果很好时才有用，很多时候它还能帮我暴露问题。当前这个结果恰恰提醒了我：如果输入数据本身没有物理含义，解释性图再漂亮，也不应该被过度解读。

总结与反思

如果让我给这套项目做一个真实的自我评价，我会说：这是一套把时序预测、超参数优化和可解释性分析完整打通的原型框架，而且模块职责是清楚的，不是乱堆。

CNN 负责局部模式提取，TCN 负责多尺度时序感受野，BiLSTM 负责上下文整合，Attention 负责关键时间步聚焦，GA 负责降低手工调参的盲目性，SHAP 负责把“模型为什么这么判断”这件事往前推进一步。从工程链路上看，这个设计是成立的。

但如果我要更严格地看它，我也得承认这版代码还有不少原型阶段的痕迹，而且这些问题都挺真实。

第一，数据仍然是模拟数据，输入特征和 SOH 之间没有真正建立物理联系，所以当前结果更适合验证 pipeline，不适合拿来证明模型优越性。
第二，get_dataloaders() 是先归一化再划分数据，存在数据泄漏风险。
第三，当前 test_loader 同时承担了 GA 适应度评估、训练过程选模和最终结果展示三种角色，本质上把验证集和测试集混用了。
第四，GA 虽然会返回最优配置，但当前脚本没有把最终最优学习率等参数持久化到文件里，后续复现并不方便。
第五，SHAP 聚合时还差一步 squeeze，解释图现在只能算“流程跑通”，还谈不上高质量分析。
第六，目录名里的 Attentio 少了一个 n，主脚本也把数据生成、训练、评估、解释全耦合在一个文件里，这种个人项目里很常见，但如果后面要做开源、复现或者论文支撑，我一定会把命名和结构再整理一遍。

如果我继续往下做，我下一步最想补的不是再加一个新模块，而是把基础做扎实：

  • 把真实电池数据接进来，让“电压、电流、温度、时间、循环次数”真的对应到可解释的输入。
  • 把数据拆成 train / val / test 三部分，Scaler 只在训练集上拟合。
  • 给模型补上系统消融实验，真正回答每个模块到底贡献了多少。
  • 把 SHAP 的维度处理修正掉，并把时间维解释做得更细，而不是只做全局平均。
  • 增加随机种子控制、配置落盘和脚本拆分，让这套工程更容易复现和扩展。

我最后想强调的一点是，这个项目真正值得讲的地方，不是模型名字够不够长，而是我在处理一个典型时序预测问题时，怎么围绕“局部特征、长短依赖、关键时间步、超参数、可解释性”这五件事去分工设计。哪怕当前版本还只是原型，我也更愿意把它写成一份诚实的工程复盘，而不是一篇看起来很强、但和代码真实状态脱节的介绍。

需要源代码的，请在评论区下留言，作者会在半个小时内回复。制作不易，请各位看官老爷点个赞和收藏！！！

# cnn # 人工智能 # 神经网络
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

TCP 三次握手与四次挥手

本文深入解析了TCP协议中的三次握手与四次挥手机制，从报文结构、状态机转换到实战抓包分析。三次握手通过SYN、SYN-ACK、ACK报文建立双向连接，确保双方收发能力正常；四次挥手通过FIN、ACK报文独立关闭双向通道。文章还探讨了关键问题：为什么需要三次握手而非两次/四次、随机初始序列号的作用、SYN Flood攻击与防御、CLOSE_WAIT泄漏以及TIME_WAIT状态持续2MSL的原因。通

avatar AtomGit开源社区

Agent Skills 完全指南：AI 编程助手的标准化“能力包”

本文介绍了AI编程助手（如Claude Code）中的Agent Skills机制，这是一种标准化、可复用的"能力包"系统。Skills不同于一次性指令，而是将复杂工作流程（如代码审查、自动部署）封装为可共享的操作手册。文章对比了Skills与Commands、Agents、Hooks的区别，详细解析了Skill的文件结构（SKILL.md为核心）和工作流程，并提供了Spring Boot自动部署

avatar AtomGit开源社区
cover

OpenAI 推出的 GPT-5.5 大模型@ACP#GSV5600应用迭代

avatar AtomGit开源社区