全部文章归档

Codex App 线程调度指南：当前线程、新对话、派生、工作树、Subagents 到底怎么选？

爆裂队长NEXT 这篇长文系统拆解 Codex App 中当前线程、新对话、派生、本地/工作树与 Subagents 的分工边界，给出什么时候该继续上下文、什么时候该换干净视角、什么时候该隔离实验的实操心法。

我是怎样使用 AI 来做 Code Review 的？

Vikingz 用 TinyShip 这个多 app、多数据库 monorepo 的真实经验，拆解一套 AI code review 流程：多模型交叉审查、人工筛选、分离 fix/verify 角色，再用测试闭环，把 AI 写出来的大 diff 变成可控的工程流程。

一文看懂 Harness Engineering，帮你的 AI 提效 10 倍

FakeMaidenMaker 的这篇科普从模型、行动空间、观测/状态空间、记忆、错误恢复和多 Agent 六个维度，系统拆解了 AI Agent 工程底座「Harness Engineering」的核心设计要素，并给出 10 倍提效的操作清单。

AI Agent 是如何记住东西？从原理到实战详细解释

铁锤人这篇科普从长期记忆的输入、编码、存储、检索与更新流程出发，用 RAG、向量检索和 Mem0 等例子解释 AI Agent 如何把上下文转化为可调用记忆，并给出实战中的设计要点。

5 人 7 天干完 20 人数周的活：Spec-Driven Development 如何重新定义 AI 编程

本文系统阐述了 Spec-Driven Development（SDD）方法论，通过“5 人 7 天”的实战案例，论证了以规格说明为唯一真实来源、代码作为派生产物的 AI 编程范式，并提供了完整的流程拆解、工具生态对比和陷阱分析。

你不知道的 AI Coding：非技术人的上手、场景与实战

面向非技术同学的 AI Coding 上手科普：从命令行心智、账号与订阅，到 Claude Code、OpenCLI、CLAUDE.md 与 Skill 的实战用法，一次讲清怎样把 AI 变成真正能交付的执行助手。

1M 上下文之后，Claude Code 真正卖的不是 token，而是 session runtime

1M 上下文很重要，但 Claude Code 真正拉开差距的，不是 token 数，而是 session runtime 管理：什么时候 clear、compact、rewind、checkpoint，什么时候把任务切给 subagent。

Claude Code 会话管理与 1M 上下文：什么时候该继续、清空、压缩或交给 Subagent？

Thariq 这篇长文把 Claude Code 的 session management 讲清楚了：长上下文不是无限续杯，真正决定体验的是你怎么在 continue、rewind、clear、compact 和 subagent 之间做选择。

Your harness, your memory

Harrison Chase 这篇文章解释了为什么 Agent Harness 与 Memory 是一体两面，以及为什么把记忆交给封闭 API 会带来平台锁定。

共享状态面不是 Feature，而是基础设施：多 Agent 协作为什么会走向 memory fabric

多 Agent 协作的问题不再只是消息传递，而是缺少一层可恢复、可分层、可控作用域的共享状态面。本文把 smux、tmux-bridge、mem0 这些线索收束到同一个判断：memory fabric 正在变成基础设施。

Anthropic 官方博文：多智能体协作指南：五种主流模式怎么选、怎么用？【译】

一篇面向工程实践的多智能体模式科普，系统拆解生成-验证者、调度-子智能体、智能体团队、消息总线、共享状态五种主流协作模式，以及它们各自最适合与最不适合的场景。

Memory 不是插件，而是主权边界：Agent Harness 为什么会变成新的锁定层

从 Harrison Chase 的《Your harness, your memory》出发，分析 Agent 时代新的平台锁定点为何正在从模型 API 下沉到 harness 对 context、state 与 memory 的控制权。

Agent Runtime 正在变成新的操作系统

从 Anthropic、OpenAI、LangGraph、Google A2A 到社区实验，分析 AI Agent 的竞争为何正在从 prompt 能力下沉到 runtime、状态、接口与协作层。

Anthropic 今天发了一个新产品，可能会让一批做 AI 智能体基础设施的团队失业

把 Claude Managed Agents 拆开讲清楚，看它和 Claude Code 的区别、它为什么是托管型 agent 基建，以及它真正改变了哪一层门槛。

为什么 Harness Engineering 正在成为 AI Agent 的真正护城河

把趋势、工程文章、benchmark 与社区讨论压进同一篇论证里，回答 Harness 为什么会变成核心系统能力。

Karpathy 的 LLM Wiki 是什么，为什么它代表了一种全新的个人知识管理范式

深度解析 Karpathy 的 idea file 模式，回答为什么正确使用大模型的方式不是问答，而是编译，以及 Markdown Wiki 为什么能打败传统 RAG。

上下文管理不是 token 技术细节，而是 AI Agent 的系统设计问题

从 idea file、AI 知识库、structured handoff 到长期交接，分析上下文管理为什么本质上是状态系统设计。

你不知道的 Claude Code：架构、治理与工程实践

从上下文工程、Skills 设计、Hooks、Subagents 到 Prompt Caching，拆解 Claude Code 内部的六层架构。

Anthropic 这篇 Harness 文章真正讲了什么：长任务应用开发的系统设计方法

不是转述原文，而是单独拆开这篇 engineering 文章的系统设计思想，分析它到底解决了什么问题。

CLI-Anything / opencli / bb-browser：三条 AI Agent 工具路线怎么选？

从接口层级、平台野心、稳定性来源、短期 ROI 到长期壁垒，系统比较三种代表性方案。

你不知道的大模型训练：原理、路径与新实践

从预训练、后训练到 Agent 训练，系统梳理大模型训练全链路的技术原理与工程实践。

一文读懂 Harness Engineering：从 14 篇工程文章中，寻找那个让 AI 不再离经叛道的壳｜Hao 好聊趋势

本文深度解析了 AI Agent 领域核心技术「Harness Engineering」（约束工程），揭示了如何通过三层管理架构弥补模型短板，并提出了随模型能力演进的「补偿面迁移」逻辑。