文章解读了一篇关于 FDE（Forward Deployed Engineer）的论文《FDE-Gym》。该论文将真实企业项目改造成覆盖金融、医疗、制造、能源等 18 个行业的 95 个任务，评测 AI Agent 承担真实企业交付工作的能力。Agent 仅获得客户最初的一句话需求，需自行读文档、查系统、确认信息并判断客户真正的问题。评分不仅要求完成需求，还要求交付系统真正改善业务指标，乱找人、反复试错都会产生成本。结果显示最强模型平均得分仅 0.56，95 个任务中仅真正解决 14 个，最大瓶颈在于未写入需求的业务规则、隐性约束以及客户未表达清楚的问题。文章指出 FDE 的难点在于在信息不完整、需求模糊的环境里判断该解决什么并真正交付。
这是一篇关于从零搭建个人 AI Agent 的完整指南。作者分享了如何利用 Claude Code 和 Codex 进行 Vibe Coding，从选择基座、编写清晰 Spec、配置 TDD 测试到实现双模型互审的完整流程。文章强调掌握数据主权和通过“偷”设计来迭代系统，适合希望构建专属 AI 工作系统的非专业开发者阅读。
本文介绍了针对 Codex 的新手向十行核心配置。通过修改 `~/.codex/config.toml`，用户可以设置默认强模型、提高推理深度、优化审批策略、配置沙盒模式（限制仅修改当前项目并默认断网）、使用缓存搜索、保留终端历史及关闭日志与数据记录。这些配置旨在解决 AI 权限过大、思考不足及界面干扰等问题，提升日常开发的安全性与体验。
本文详细介绍了作者如何利用“Vibe Coding”理念和开源项目Nanobot，在15天内从零构建并迭代出一套个人Agent工作系统。文章提炼了一套可复制的方法论，涵盖轻量基座选择、Claude Code辅助开发、脚手架文件构建（CLAUDE.md、docs/）、需求规格化以及自动化测试配对五个关键步骤。作者特别强调了“先规划后编码”和“测试驱动”的重要性，旨在帮助非专业开发者也能快速上手。
作者分享了将个人助手 EvoPaw 从 CrewAI 迁移到 Claude Agent SDK，并最终自建框架的经历。文章深入探讨了为何即便有 OpenClaw 等成熟方案，个人仍应自建 Agent：为了避免陷入工具频繁迭代的“注意力税”，掌握数据主权与隐私，以及通过“偷”学开源代码和利用 Claude Code 等 AI 辅助工具降低开发门槛。作者认为，自建的过程是一个让系统真正理解个人工作流并伴随需求共同进化的过程。
