AI 编程的新默认范式：规范驱动开发 (SDD)
本文探讨了规范驱动开发在过去 12 个月如何成为 AI 编程的默认架构。文章结合 Thoughtworks、GitHub 和 Amazon 等行业巨头的实践，以及多篇学术论文的数据，分析了为何 SDD 是解决 AI 编程带来的“生产力悖论”和系统级稳定性下降的必要手段。文章详细对比了 Spec Kit、BMAD-METHOD 等五大主流 SDD 仓库的实现哲学与治理机制。
全部文档
15 篇
如何在不修改模型或提示词的情况下提升编程智能体能力
文章介绍了一项关于 Agentic Harness Engineering (AHE) 的研究。该框架通过自动进化工具、中间件和记忆等 Harness 组件，在不修改底层模型或提示词的情况下，显著提升了编程智能体的性能。实验表明，AHE 在 Terminal-Bench 2 上将 pass@1 从 69.7% 提升至 77.0%，并在 SWE-bench-verified 上表现出更高的成本效率。研究还发现，仅依赖提示词优化反而会导致性能下降，而工具和中间件的进化才是性能提升的关键。
AI Agents 如何遵循资深工程师工作流
Google Chrome 工程总监 Addy Osmani 开源了 agent-skills 仓库，提出 AI Agent 的可靠性源于周围的约束而非模型本身。该框架采用技能、角色和命令的三层架构，包含反合理化表和强制执行钩子，确保 Agent 遵循测试、审查和安全检查等最佳实践。
非向量 RAG 框架 PageIndex：用 LLM 推理替代 Embedding
文章介绍了 VectifyAI 开源的 PageIndex 框架，这是一种不使用向量嵌入的 RAG（检索增强生成）方法。它通过构建文档的层次树结构，利用 LLM 的推理能力来精确定位答案页面。该框架在 GitHub 获得了超过 2.9 万星，其构建的 Mafin 2.5 在金融问答基准测试中取得了 98.7% 的高准确率。
单智能体与多智能体解决方案的选择指南
文章探讨了在大语言模型时代，如何权衡使用单智能体与多智能体系统。引用斯坦福及Google/MIT的研究指出，多智能体系统并非总是更优，往往伴随着更高的计算成本、延迟和通信开销，且在“思考预算”相当的情况下，优化后的单智能体常能胜出。文章建议将单智能体作为默认起点，仅当任务涉及大量工具、上下文退化严重、存在自然解耦边界或需严格合规验证时，才考虑引入多智能体架构。
Ruflo：将 Claude Code 转变为多 Agent 平台的实践与架构解析
Ruflo 是一个为 Claude Code 构建的“神经系统”和分层运行时，旨在提供 HNSW 向量记忆、100+ 专用 Agent 以及多智能体群集协调。文章详细介绍了其基于 MCP 的工具表面、联邦通信机制和自学习架构。同时，基于项目最新的 ADR 审计报告，分析了 Ruflo 在功能实现上的真实进展，指出了记忆层已可用而部分执行层（如神经网络预测、工作流运行时）仍处于存根状态的现状。
四大 Agent 编排模式详解
本文探讨了单提示词 LLM 工作流的局限性，并介绍了 NYU 研究者测试的四种多 Agent 编排架构：顺序流水线、并行分发合并、分层主管-工人模式以及反思式自纠循环。文章详细分析了每种模式的技术原理、优缺点、Token 效率及适用场景，指出分层模式在成本与精度间最平衡，而自纠模式虽精度最高但成本高昂且难以扩展。
Hermes Agent v0.12.0 发布：引入“Curator”技能垃圾回收机制
Hermes Agent 发布 v0.12.0 版本，引入了名为“Curator”的自动垃圾回收机制。该功能通过后台运行的程序，每 7 天自动评估技能库，合并重复项并归档长期未使用的技能，从而解决了自改进 Agent 框架中技能库无限膨胀的问题。文章详细介绍了其工作原理（确定性迁移与 LLM 合并）、安全防护机制（Pinning、隔离等）以及当前的使用限制。
AHE：通过自动演进 Harness 提升智能体编码能力
文章介绍了一种名为 Agentic Harness Engineering (AHE) 的新框架，该框架能在不改变基础模型和系统提示词的情况下，自动演进编码代理的工具、中间件和内存。AHE 在 Terminal-Bench 2 上通过 32 小时的迭代将性能提升至 77.0%，击败了包括 Codex-CLI 在内的人工调优方法及仅优化提示词的基线。研究还发现，优化内存、工具和中间件比优化系统提示词更能带来显著性能提升。
Warp 开源并推出 Oz AI 代码审查平台
Warp 终端于 2026 年 4 月 28 日正式开源（AGPL/MIT），并引入 AI 助手 Oz 作为第一线代码审查者。该项目构建了一个独特的 Agent 协作循环，由人类编写规格，AI 负责实现和审查。Oz 能自动分类 Issue、审查 PR，甚至可以免费为开源贡献者实现代码。该架构结合了 Rust、CRDT 及 GPU 加速技术，标志着 AI 辅助开发的新模式。
OpenAI 正在确立 Coding Agents 的默认编排层
文章介绍了 OpenAI 生态内两个同时发布的开源项目：Symphony 和 ClawSweeper。两者均基于 Codex App Server 这一原始编排层，分别针对 SDLC 的两端（PR 创建与 Issue 维护）提供了参考实现。Symphony 将 Linear 转化为自动化代理系统，提升 PR 吞吐量；ClawSweeper 则能并行运行大量 Codex 实例，自动清理无意义 Issue。文章分析了它们的架构模式、应用场景及局限性。
Skills For Real Engineering
本文介绍了 Matt Pocock 开源的一个包含 21 个技能的集合，该库旨在为 Claude Code 等编码代理提供一套经过实战检验的工程化工作流，而非简单的代码提示。文章详细解析了其核心的 5 个日常技能链（如 /grill-me, /to-prd, /tdd），阐述了通过编码“过程”而非“知识”、严格控制作用域及手动调用来优化 AI 行为的设计理念，并说明了如何通过 CLI 将这些技能集成到项目中，以实现从构思到架构迭代的完整开发闭环。
Karpathy-Inspired CLAUDE.md: 30秒快速集成指南
文章介绍了由 Forrest Chang 基于 Andrej Karpathy 观点开发的行为配置文件 CLAUDE.md。该文件针对 AI 编码代理的三大痛点（静默错误假设、过度复杂化、正交破坏）提出了四项核心原则：先思考后编码、简洁优先、外科手术式修改、目标驱动执行。文章详细解析了这 65 行代码的规则逻辑，并提供了通过 curl 命令在 30 秒内集成到现有项目，或通过插件形式全局安装的具体方法。
用开源 AI 工具生成项目架构图
文章介绍了一款名为 Architecture Diagram Generator 的开源 Claude 技能，它允许开发者通过简单的英文提示词自动生成深色主题的精美系统架构图。文章详细讲解了如何从 GitHub 下载并安装该技能到 Claude Code，以及如何通过聊天界面快速生成、迭代和导出独立的 HTML/SVG 架构图。该工具不仅支持本地项目，还能解析 GitHub 公共仓库，是文档编写和项目交接的得力助手。
GBrain 架构解析与实战指南：为 AI Agent 注入持久化记忆
文章详细介绍了 YC CEO Garry Tan 开源的 AI 基础设施 GBrain。这是一个为 AI Agent 设计的个人知识层，通过 Git 仓库、Postgres（pgvector）和技能文件的三层架构，解决了 Agent 无状态的痛点。文章深入解析了其搜索管道、知识模型（编译真理+时间线）及数据集成方案，并指出了其对高级模型的依赖。