OpenAI Agents SDK 新增沙盒支持：定义 Agent 交付工作的标准方式
文章介绍了 OpenAI 在 Agents SDK 中新增的一体化沙盒支持功能。作者通过对比早期的 Structured Outputs 和自定义 Shell 工具，阐述了内置原生工具在模型分布和性能上的优势。新功能通过分离编排层与计算层，利用隔离环境安全地处理代码执行、文件操作和浏览器自动化等任务，确保 Agent 能够交付可追踪、可恢复且安全的工作成果，如 PR、迁移和数据分析报告。
全部文档 / 作者: Jason
81 篇
12个开源项目，4条技术路线：Agent记忆系统完整选型指南
针对 LLM 无状态导致的“失忆”痛点，文章深入探讨了当前 Agent 记忆系统的四条主流技术路线：纯文件存储、向量数据库+RAG、知识图谱及混合检索。文章梳理了从轻量级 hooks 集成到企业级独立平台的 12 个开源项目，涵盖 claude-memory-compiler、agentmemory、Hermes Agent 等代表性工具，并提供了针对不同用户阶段（新手、个人开发者、团队、企业）的选型建议。作者指出，未来的核心竞争将集中在“如何遗忘”、“保证正确性”和“控制成本”三个维度。
900万参数，130行代码：从零构建微型语言模型 GuppyLM 教程
本文介绍了开发者 arman-bd 开源的微型语言模型 GuppyLM。该模型拥有 900 万参数，核心代码仅 130 行，可在免费 Colab 上 5 分钟训练完成。文章详细拆解了构建流程：利用模板生成 6 万条合成数据、训练 4096 词表的 BPE 分词器、搭建 6 层 Vanilla Transformer 架构以及优化推理环节。该项目旨在通过极简的实现，帮助开发者深入理解语言模型的数据工程、架构设计与训练循环。
Mitchell Hashimoto 与 AI 工程演进：从聊天机器人到 Harness Engineering
文章详细介绍了 Terraform 之父 Mitchell Hashimoto 的 AI 工程实践六个阶段，从早期的聊天窗口尝试，到最终实现后台常驻 Agent 的愿景。核心亮点在于第五阶段提出的“Harness Engineering”（工程约束），即通过系统性设计（如 AGENTS.md 和验证工具）来防止 Agent 重复犯错。文章结合 Anthropic 和 OpenAI 的行业案例，指出工程师的核心技能正从手写代码转向设计 Agent 的运行约束环境。
90%用AI和100%用AI差了10倍：Every CEO分享的复合工程法
Every CEO Dan Shipper 分享了如何通过 100% 采用 AI 编码实现单人开发生产级应用的实践。文章提出了“Compounding Engineering”方法论，通过 Plan、Delegate、Assess 和 Codify 四步循环，将隐性知识固化为 Prompt 库，实现了代码复用零成本和跨技术栈高效协作。
10万开发者调查证实AI写的代码大部分是垃圾，这个Harness Engineering方法论把产出质量拉高了3倍
本文介绍了 HumanLayer 创始人 Dex Horthy 提出的“Harness Engineering”方法论，旨在解决 AI 编码 Agent 在复杂代码库中产出质量差的问题。核心观点包括：上下文窗口管理是关键（区分“聪明区”与“笨蛋区”），通过 Research-Plan-Implement (RPI) 流程压缩意图，以及利用子 Agent 进行上下文控制而非角色扮演。文章强调要审查计划而非代码，避免外包思考，并指出未来的挑战在于团队流程的适应。
Anthropic内部分享：别再造Agent了，造Skills就够了
Anthropic 内部分享指出，与其为每个场景构建新 Agent，不如给通用 Agent 配置“Skills”。Skills 是打包程序化知识的文件夹，通过渐进式加载解决上下文窗口问题。文章介绍了 Skills 与 MCP 的互补关系，及其在金融、科研等领域的生态发展，类比将其比作“应用层”，强调通过知识积累让模型不断进化。
四虾阵：4个AI Agent从聊天机器人变成生产力系统的3天迭代记录
本文记录了“四虾阵”AI Agent系统在3天内从Demo进化为生产力系统的过程。作者通过引入Harness方法论重写SOUL.md，实现了从“能说话”到“有章法”的转变；通过开发任务板、调度包装器和自动收口机制，完成了从“有章法”到“有系统”的跨越。文章详细复盘了架构设计、迭代过程及踩坑经验，并规划了基于Claude Code源码的下一阶段并行执行、MCP接入及产品化路线图。
会议结束后5分钟，纪要、待办、通知全自动：我用飞书CLI+Claude Code搭的脚本
作者分享了如何利用 lark-cli 和 Claude Code 搭建自动化脚本，实现会议结束后的纪要提取、任务创建及群聊通知全流程自动化。文章详细拆解了从搜索会议到发送通知的五步 CLI 指令，并总结了在身份权限、数据结构和 API 调用上踩过的六个坑。该方案将原本需要 30 分钟的会后整理工作缩短至 1 分钟，显著提升了职场效率。
6000 Stars的飞书CLI到底能干嘛？我用Claude Code接了一遍
文章详细介绍了飞书开源的 CLI 工具，该工具拥有 6000+ Stars 和 19 个预置 Agent Skills。作者阐述了在 AI 时代 CLI 相比 API 的优势，其三层命令架构设计，以及如何通过 Claude Code、Cursor (MCP) 和 OpenClaw 接入 AI。文章还展示了日程查询、自动发消息、会议纪要生成等实战场景，并提供了安装指南和风险提示。
多Agent协同方案：让OpenClaw学会团队合作
文章介绍了如何利用 OpenClaw 搭建一套多 Agent 协同工作流。通过设置“小龙虾”、“码力”、“笔锋”和“谋士”四个专精 Agent，并配合 MemOS 共享记忆系统，实现了各司其职、成本优化与质量提升的平衡。作者分享了架构设计、搭建过程、实战数据及踩坑经验，展示了多 Agent 协作在实际任务流转中的高效价值。
从执行到记忆：gstack + Compound Engineering 实现 Agent 持续进化
文章分析了 Anthropic 的 Agent Harness 架构，并介绍了 Jason Zuo 如何使用 gstack 和 Compound Engineering (CE) 构建了一套完整的工程工作流。CE 替代了 Superpowers，提供了更深入的规划和审查机制。最关键的差异在于 CE 的 /ce:compound 功能，它通过独立 Agent 将每次开发的经验转化为结构化的项目记忆，实现了 Agent 的自我优化与积累，形成了从规划、执行、审查到记忆的完整闭环。
Claude Code 源码背后的设计哲学：95% 代码都是 Harness
本文深入分析了泄露的 Claude Code 51 万行源码，指出其核心优势并非 LLM 模型本身，而是围绕模型构建的“Harness”工程体系。文章揭示了“先读后改”、“Fail-closed”、“四态权限管理”等设计原则，阐述了 Anthropic 如何通过上下文压缩、Prompt 编译优化和记忆系统，在承认模型局限性的基础上，通过架构约束实现了极高的准确性与安全性。
6种架构模式+60%质量提升：Harness开源项目落地实践
文章介绍了开发者 revfactory 开源的 Claude Code 插件 'Harness'，该工具将 Harness Engineering 概念转化为实际可用的协作架构生成器。它内置了 Pipeline、Fan-out/Fan-in 等 6 种协作模式和 5 套团队模板，利用 Progressive Disclosure 技术解决上下文问题。A/B 测试显示，使用该工具在 15 个软件工程任务中实现了 60% 的质量提升和 100% 的胜率，标志着多 Agent 协作从概念讨论迈向了工具化落地。
深入解读 Harness Engineering：AI 工程的第三次范式转移
Anthropic 和 OpenAI 几乎同时发布关于 Harness Engineering 的文章，引发 AI 社区热议。本文梳理了从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering 的演变，解析了 Anthropic 的“生成器+评估器”循环架构与 OpenAI 的“百万行代码零手写”分层实践，并结合多位博主的观点，探讨了 Agent 时代工程师角色的转变与未来工程实践的方向。
从执行到记忆：gstack + Compound Engineering 构建完整 Agent Harness
文章探讨了 Anthropic 提出的 Agent Harness 架构，对比了 Superpowers 和新工具 Compound Engineering (CE)。CE 通过引入 /ce:compound 机制，将工作中的 Debug 经验沉淀为可搜索的项目知识库，实现了 Agent 的自我优化和“记忆”。结合 gstack 的决策层能力，作者认为 gstack + CE 构成了从规划、执行、审查到记忆积累的完整工作流。
宝玉老师开源Skills设计哲学：从提示词到Agent工程
文章介绍了宝玉老师开源的17个Agent Skills项目，该项目在GitHub获得9000星。文章详细拆解了其设计的四条核心哲学：从提示词起步、功能原子化拆分、持续迭代优化以及站在Agent视角设计。通过具体案例展示了如何利用Claude和Gemini构建高效的AI写作工作流。
Anthropic Agent Skills 完整教程与排错指南
Anthropic 官方发布了 Agent Skills 教程。本文详细梳理了 Skills 的设计哲学、配置方法、与 claude.md/Sub Agents/Hooks/MCP 的区别、企业级分享策略及排错技巧。核心在于理解 Skills 是按需加载的知识包，通过 description 语义匹配激活，旨在消除重复性指令，提升 Claude 工作流效率。
AI的记忆困境：当OpenClaw开始“遗忘”你的秘密
文章深入探讨了 2026 年 AI 在企业应用中面临的关键“记忆困境”。分析了 AI 因上下文窗口限制导致的“遗忘”现象、被遗忘数据的隐私流向风险，以及不同模型在处理长期记忆时的偏差。文章还介绍了信任评分机制、AI 记忆的分层架构（短期、长期、情节记忆），并针对 OpenClaw 等系统提出了具体的内存故障解决方案与风险治理策略，强调了在 AI 时代重建数据透明度与信任的重要性。
OpenClaw 完全指南：从安装到实战的 24/7 AI 员工养成手册
本文详细介绍了开源 AI Agent 框架 OpenClaw 的核心价值与应用。文章从本地部署的优势入手，拆解了安装配置流程，并重点阐述了如何通过“建立工作关系”、“每日简报系统”和“任务控制中心”等工作流，将 OpenClaw 打造成能主动创造价值的“数字员工”。此外，作者还分享了“大脑与肌肉”架构的成本优化策略，以及通过反向提示管理 AI 的核心思维。
Claude Skills取代工作流：从零到专家的3天学习指南
文章阐述了Claude Skills如何通过Markdown定义实现AI自动触发，取代Dify、n8n等繁琐的可视化工作流。作者对比了传统Workflow与Skills在开发效率、Token消耗及维护成本上的差异，并提供了从基础概念到实战应用（包括MCP集成）的3天系统化学习路径，强调这是从“执行层”到“意图层”的范式革命。