作者分享了自己三个月迭代七个版本的 AI 作图 skill（wtt-nine-comic-imagegen）的完整拆解。核心观点是：拥有自己的作图 skill，起点不是从零写，而是拿大神的骨架、喂自己的翻车。文章从 skill 的来历讲起，分析其分层结构（触发词交付层、骨架变量池工程层、铁律与负面清单经验层），指出最值钱的是「不许什么」的负面约束。通过字体词失灵等实测案例，总结出品味翻译的三种形态：翻译成数字、动作和禁止。还提出锚点与变量分离、共享机制抽取等结构决策，以及比喻成败目录这一沉淀品味的方法，给出了今晚就能开工的实践路径。
文章总结了 Fable 5.1 的使用经验：由于 Fable 额度上限为周总额度的 50%，需通过 /usage 监控两条进度，让 Fable 负责需求判断、任务编排和结果验收，将检索、编码、测试等执行类工作交给 Opus/Sonnet 子代理，实现额度均衡利用。作者分析了子代理的适用场景与成本、High/Medium/Max 推理强度的选择策略、1M 上下文的陷阱与压缩时机、提示词轻量化趋势，并提出团队落地建议：通过 CLAUDE.md、Skill、Subagent、Hook、MCP 等形式沉淀团队经验，先用 explorer、implementer、verifier 三类 Agent 在真实任务中验证，再逐步扩展工程化体系。
作者将上万字的大厂 Claude Code 工程化手册浓缩为 23 条实战铁律，涵盖工具定位、入口选择、Git 快照、只读分析、区分事实与推测等基础操作，以及 Read-Plan-Implement-Verify-Review-Deliver 的核心工程闭环。文中详细讲解需求工单化、权限规则优先于提示词、CLAUDE.md 精简配置、长会话压缩与任务拆分、Git 安全红线与安全五不原则，并给出翻车急救包和高级能力升级路径，强调改动必须可解释、可验证、可审查、可回滚。
本文探讨了将个人 AI Harness 环境扩展到团队场景时面临的挑战。最佳的个人 AI 设置并不适合团队。共享 Harness 会带来上下文权限冲突、权限管理混乱和规则冲突等问题，需要建立治理机制和审查流程。
本文盘点并测评了5个GitHub上热门的AI编程套件（如obra/superpowers、mattpocock/skills等）。这些套件通过硬编码工作流、需求文档化、强制诊断流程及工程护栏等方式，将工程规范编译成AI能理解的规则，有效解决了AI编程中的“跑偏”、需求飘移和瞎猜等问题。作者指出，开发者应基于自身习惯搭建专属的自生长AI编程套件，以大幅提升编程效率。
文章探讨了企业级AI Agent的工程演进，指出系统设计重心已从单纯调优Prompt转向构建稳定的Graph Workflow。通过解析Google ADK 2.0，说明了Prompt、Agent Loop与Graph Workflow在处理不同业务时的分工：模型负责不确定性判断，代码约束确定性流程。作者建议企业落地时从单一清晰流程切入，逐步引入工作流，并配合状态持久化、幂等重试等工程手段，以确保Agent系统的可靠性、可控性与业务成功率。
文章系统介绍了“Harness”的概念，即围绕 AI 模型管理工具执行、内存、状态和错误恢复的软件基础设施。通过对比 CPU 与 OS 的关系，阐述了 Harness 如何决定模型能力的边界。文章详细拆解了 Harness 的五大核心组件（上下文、工具权限、验证、记忆状态、安全沙箱），并分享了 Anthropic 和 OpenAI 的工程实践案例。
文章分享了作者试用开源项目“Moonlit Stories”生成英文绘本的体验。作者指出，该项目成功的关键在于将内容、视觉、音频等流程固化成契约，让Agent按规范执行。这表明个人利用本地模型和Agent工作流，已能独立交付过去需专业团队完成的完整产品。
作者因安装 300 多个 Skill 导致每次对话多消耗约 8.2k token，累计浪费数亿 token。为此，他开发了一个“Skill 瘦身”工具和可视化控制台，按使用频率和重要性将 Skill 分为核心全局、项目级和触发级。通过将低频 Skill 改为动态加载，既节省了上下文窗口，又保留了完整能力。
文章深入剖析了AI智能体系统中的三个常被混淆的核心工程层级：Harness工程构建模型环境，Loop工程设计反馈循环，Graph工程明确工作流拓扑。区分这三层对于构建可靠的AI系统至关重要。
文章介绍了AI时代兴起的新职业Product Design Engineer (PDE)，即兼具产品思维、交互设计和前端代码能力的全栈角色。AI降低了生产成本，使得能独立完成从设计到上线的全流程人才变得稀缺。文章详细解析了PDE的职责、与其他角色的区别、转行路径以及国内外就业现状。
本期周刊探讨 AI 产品从演示到落地的距离。引用 Jeff Dean 的“1%法则”，将焦点从模型能力转移到系统工程细节。文章深入分析了规格定义、评测验证、任务成本、系统记忆、Skill 治理等关键问题，强调通过工程化手段实现智能体的稳定交付与闭环。
本期早报探讨 MCP 协议的无状态核心变化与 Claude 的生产化接入，分析 Codex 与 ChatGPT Work 共用的执行框架差异，并审视多智能体并行中上下文搬运的隐性成本“编排器的税”。同时涵盖图工程、vLLM 商业化及 Uber 零增长架构等速览内容。
本文深入解析Agent工程中常被混淆的三个架构层级：Harness工程构建模型运行环境与基础能力；Loop工程设计工作反馈循环，通过验证与迭代提升质量；Graph工程则显式定义工作流拓扑，控制节点分支与状态转换。文章强调理清环境、反馈与流的关系对构建生产级Agent至关重要。
文章指出仅使用 Obsidian 构建笔记库效率低下，AI 读取所有笔记导致成本高昂且速度慢。作者提出了 11 步图谱工程路线图，通过构建路由、索引、节点和边，将“杂乱的文件堆”转化为结构化的知识图谱。这种方法将检索过程从模型调用转变为逻辑匹配，大幅降低 Token 消耗并提升响应速度，实现真正的“第二大脑”。
本课程教授如何构建 AI 智能体图，涵盖图的基本概念、关键模式（如菱形模式）、停止规则及人工审批环节。包含三个实战案例：深度研究台、SEO 内容生成器和市场推广套件，旨在提升业务效率并控制成本。
Anthropic 分享了使用 Claude Code 进行大规模代码迁移的经验，包括将 Bun 从 Zig 迁移到 Rust（两周完成百万行代码）以及 Python 到 TypeScript 的迁移。文章介绍了六步迁移流程，强调建立强大的“评判者”系统、制定规则书和依赖映射，并说明 AI 如何通过并行处理和自动化验证改变了代码迁移的可行性。
文章探讨了构建 Web Agent 基础设施（如浏览器池、隔离机制、观测性等）所面临的复杂性与工程挑战。作者指出，这远不止是启动一个浏览器，需要处理冷启动、安全隔离、资源调度等深层问题，并分析了自建与购买的权衡。
作者分享了阅读 Google Cloud 《多租户智能体 AI 系统》参考架构后的 5 个核心启发。文章指出企业级 Agent 落地需关注中心辐射模式、系统级安全防护（Model Armor）、MCP 的企业级用法以及完整的闭环流程。作者认为单纯依靠 Prompt 的时代即将结束，未来的重点在于系统架构设计与安全边界。
文章分析了 Claude Code 源码泄漏事件，指出其核心价值在于揭示了 51 万行 Harness Engineering 代码背后的工程设计，而非模型本身。作者详细拆解了六个关键工程决策（如上下文压缩、多 Agent 协调等），并重点梳理了泄漏后 24 小时内涌现的开源生态，包括洁净室重写、教学项目及各类插件工具，最后总结了 Agent 开发应从“调 prompt”转向“工程化”的核心理念。
文章探讨了将本地 Agent Demo 转化为可商业化产品的六大工程挑战：会话记忆持久化、工具调用沙箱隔离、调用链路追踪、模型成本控制、前后端一体化交付以及技术栈与框架的灵活性。作者以腾讯云 EdgeOne Makers 平台为例，演示了如何高效解决这些工程化难题，实现 Agent 应用的快速开发与部署。
作者分享了将文章转化为网页视频的全过程。文章详细探讨了从使用 Voicebox 生成 TTS 音频的尝试，到发现逐段生成音色漂移、整段切分不准等问题，最终采用“整章音频 + cue 时间轴”的解决方案。内容涵盖了 TTS 技术选型、前端播放逻辑以及踩坑后的工具化思考。
作者分享了在“文章转视频”项目中的技术选型思考。虽然 HyperFrames 在视频渲染、时间轴和字幕同步上表现专业，但作者更倾向于自建的 web-video-presentation 方案。文章指出，此类任务的核心难点在于前期内容的生产与验收（如口播脚本、节奏控制），而非后期的渲染。web-video-presentation 通过定义 script.md 和 outline.md，并以“第一章成品验收”为锚点，有效解决了内容生产流程的痛点。最终建议是将两者分层协作：前者负责内容创作，后者负责成片导出。
文章以「好记性不如烂笔头」为喻，深入剖析了 AI 助手 WorkBuddy 的三层记忆架构（云端画像、本地长期记忆、工作区日志）。通过对比传统 AI 的「金鱼式」失忆，阐述了长程任务中「读写外部文件」优于单纯依赖上下文窗口的原理。同时，文章探讨了记忆与身份层如何赋予 AI 连续性，并与 OpenClaw 进行了横向对比。
作者通过一年的 AI Agent 开发实践，发现 90% 的时间浪费在手动测试上。受芯片“验证不对称”理念启发，作者提出构建可验证的架构：通过前后端分离（ACI）使系统对 AI 友好，并引入“确定性断言”和“LLM 裁判”两级回归测试体系。最终实现了由 Coding Agent 自动运行的闭环开发，将开发者从繁琐的手工验证中解放出来，重塑了 AI 时代的开发效率。
本文详细解析了 Codex 与 HyperFrames 结合的 AI 自动剪辑技术。HyperFrames 作为渲染引擎，利用 HTML/CSS/JS 实现确定性视频生成；Codex 作为智能体，负责编排与代码编写。文章涵盖了环境搭建、6步核心工作流、提示词工程、合成契约规范及调试避坑指南，展示了从脚本到 MP4 的全自动化视频生产管线。
文章介绍了 Claude Code 作者提出的“循环工程”（Loop Engineering）概念，即通过设计自动化的反馈循环，让 AI Agent 自主完成从执行到校验的全过程。核心在于从“写提示词”转变为“设计终止条件和校验机制”，详细拆解了触发器、执行层、校验器、停止规则等六个关键组件，强调了明确终态和范围约束的重要性。
本文属于「AI 时代的编码新范式」系列，旨在解答在 AI Agent 开发中如何编写 Spec。文章首先厘清了 Spec 与 PRD、设计文档及用户故事的区别，指出 Spec 应定义软件行为而非描述需求。接着提出了 Spec 的五要素：目标、约束、边界、验收标准和技术上下文。最后倡导从三句话开始，将 Spec 视为随项目生长的活文档，以提高 Agent 开发的准确性和安全性。
本文是《人工智能的工程全景》系列的下篇，深入探讨了2025-2026年AI行业的竞争焦点——Agent工程层。文章从Agent定义的演变出发，区分了Workflow与Agent的本质差异，解析了ReAct架构与关键能力清单。重点介绍了Function Calling的工业化起点、MCP协议带来的工具调用标准化，以及Context Engineering与Harness Engineering在Agent系统构建中的核心地位。
本文对美团发布的 LongCat-2.0 万亿参数大模型进行了深度技术拆解。文章涵盖了 MoE 架构与稀疏注意力（LSA）的优化、N-gram Embedding 的应用，以及在国产算力受限情况下的 6D 并行训练工程、超节点组网、推理加速等关键技术细节。
