停止为你的 AI 代理建造“富士康工厂”
作者通过自己编写 54 万行代码的亲身经历，反思了在 LLM 时代的开发范式。他指出，当前大多数开发者仍在沿用旧思维，编写大量代码来限制和监控智能模型，这就像是在为不需要严格监管的超智力工人建造富士康工厂。随着模型成本降低和能力提升，开发者应摒弃“保姆式代码”，转向以 Markdown 为核心的“即时软件”架构，将指令与逻辑解耦，释放 AI 的真正潜力。
全部文档
5 篇
The AI Agent Complexity Ratchet: Why 90% Test Coverage Is Required
文章探讨了 AI 编程代理（Agent）如何改变软件开发的范式。作者通过 GStack 和 GBrain 两个开源项目的经验，指出 AI 使得同时实现高速度和高质量成为可能。核心在于构建“复杂度棘轮”：即 90% 的测试覆盖率。AI 代理能伴随代码编写测试、文档和评估结果，确保每次迭代都建立在质量底线之上，防止退化，从而实现只能变好不能变坏的“单向运动”开发模式。
如何真正防止 Agent 重复犯错：Skillify 实践指南
本文批评了 LangChain 等框架虽有工具但缺乏工作流，导致 AI Agent 测试困难。作者提出“Skillify”模式：通过构建包含确定性代码和单元测试的 Skill（技能），将潜在的 LLM 推理转化为确定性的工具调用。文章以日历查询和时区计算为例，展示了如何利用“薄框架、厚技能”架构，永久修复 Agent 的重复性错误。
如果裸模很蠢会怎样？Kyle Kingsbury 错在哪里
本文针对 Kyle Kingsbury 关于“LLM 是不可靠的胡扯机器”的观点进行了反驳。作者承认裸模型（Raw Model）不可靠，但指出 Kingsbury 的测试方法类似于在台架上测试发动机并断言汽车不安全。作者提出了“薄线束，胖技能”的架构理念，通过引入确定性代码、技能文件和解算器，将模型的不稳定性转化为可解决的工程问题，从而构建值得信赖的系统。
解析器：智能体的路由表
本文探讨了构建高效 Agent 系统中的关键组件“Resolver”（解析器）。作者指出，与将所有知识塞入系统提示词导致性能下降不同，Resolver 作为一个上下文路由表，能根据任务类型动态加载相关文档。文章通过纠正文件分类错误的实例，展示了如何利用 Resolver 管理技能调用，解决“技能不可见”问题，并通过评估测试确保路由的准确性，从而实现智能体的持续记忆与有效检索。