本文探讨了在利用 Claude Code 和 Codex 等 AI 编程代理进行“氛围编程”时，如何构建高可维护性的 TypeScript 代码库。文章提出了“Harness Engineering”的概念，强调通过 Monorepo 结构、统一的 ESLint 配置、标准化的 Skill 文件夹结构以及详尽的 CLAUDE.md 文档，为 AI 代理提供明确的“行动线索”和约束机制，从而避免产生难以维护的“AI 垃圾代码”。
文章指出 AI 领域正发生范式转移：模型不再是产品核心，Agent Harness（控制框架）才是。LangChain 等团队通过优化 Harness，在不改变底层模型的情况下显著提升了性能。随着模型能力的趋同和商品化，竞争壁垒已转移到包含工具调度、上下文管理、沙箱和评估逻辑的工程化框架上。作者建议企业应从单纯的 Agent 开发转向定制化 Harness 的构建，以实现真正的产品化落地。
本文是对 Cursor 官方博客《Continually Improving Our Agent Harness》的深度精读。文章剖析了 Cursor 团队在构建 AI Agent 产品时的工程化方法论，强调 Harness（系统提示词与工具调度层）是核心工程壁垒。内容涵盖从上下文管理、线上线下评估体系、工具错误治理（SRE 思维），到针对不同模型的深度定制及中途切换模型的技术挑战。核心观点是将 Agent 视为复杂软件系统，通过指标（如 Keep Rate）和自动化流程持续迭代。
文章介绍了一款名为 gstack 的 AI 开发工具，它不同于普通的代码生成工具，而是通过定义“思考→计划→构建→审查→测试→发布→复盘”的完整链路，将 AI 转变为一个具备纪律性的开发团队。作者深入分析了 gstack 在需求澄清、方案收敛、代码审查及真实 QA 方面的优势，并探讨了将其方法论迁移到 Hermes 技能体系中的具体路径与价值。
Total TypeScript 作者 Matt Pocock 开源了其个人常用的 16 个 Claude Code Skill，GitHub 星标迅速突破 38k。这套工具主张“真工程师”模式，摒弃了 BMAD 等重流程框架，采用“小、可改、可组合”的 Unix 哲学。文章详细解析了针对 Agent 失败四大根因（需求模糊、啰嗦、代码报错、屎山）的解决方案，重点介绍了 CONTEXT.md 建立项目共享语言的方法，适合具备工程基础的开发者提升 AI 编码效率。
文章介绍了作者开发的“自愈 Agent Harness”系统，该系统通过 AI 代理实现了自动化评估和修复闭环。它包含三个核心组件：用于实时评分的三法官评审团、将低分转化为修复工单的工程管道，以及由 AI 评分控制发布的灰度发布机制。这一系统替代了传统的 QA 和人工审查，使团队能够在每天发布 3-8 次的高频节奏下，自动发现并修复模型幻觉、工具契约漂移或基础设施故障等问题。
本文深入浅出地讲解了 AI 编程领域热门的 Harness Engineering 概念。文章将其定义为围绕 AI 模型搭建的一整套工作环境与流程，对比了提示词工程、上下文工程的演进关系，并详细拆解了上下文架构、执行能力、任务编排、反馈机制和架构护栏五大核心模块。作者结合“万能视频下载总结器”的全栈项目实战，展示了如何利用 Plan Mode、MCP 工具、Browser Use 及文档沉淀等技巧，让 AI 持续、靠谱地完成复杂工程任务。
文章指出 AI 生成 UI 的最大问题在于缺乏一致性，并引入了 Google Stitch 团队提出的 DESIGN.md 概念。DESIGN.md 是一种纯文本文档，包含机器可读的 YAML 代码（颜色、字体）和人类可读的 Markdown 规则（设计原则），用于指导 Agent 遵循统一的设计规范。文章详细阐述了 DESIGN.md 的结构、编写方法（如从现有 UI 推断、避免模糊的形容词）以及如何让 AI 引用该文档进行自我审查，强调它是辅助而非取代设计师的工具。
文章指出，许多所谓的“AI 智能体”实际上只是连接了工具的模型，演示完美但上线即崩。核心问题往往不在模型本身，而在于支持其运行的“Agent Harness”（智能体挽具/系统）。文章详细解析了 Harness 的三层工程架构（提示工程、上下文工程、系统挽具工程），阐述了编排循环、上下文管理及工具接口的实现机制。作者强调，真正的工程杠杆在于优化这个将无状态模型转化为行动能力的系统，而非盲目更换底层模型。
文章指出 2026 年 AI Coding 的瓶颈已从模型能力转向工程范式。通过 OpenAI、Stripe 等案例，阐述了从 Prompt Engineering、Context Engineering 到 Harness Engineering 的演进。Harness Engineering 强调通过结构化知识、机械化约束、可观测性注入等五大支柱，构建让 AI 可靠工作的环境。作者提出人类角色应从“写代码”转变为设计让 AI 干活的系统。
文章反驳了 Kyle Kingsbury 关于 LLM 不可靠的结论。作者认为，裸模型仅是“引擎”，其不可预测性需通过“车身”工程（如 Harness、Resolver、确定性工具）来解决。不应测试模型本身，而应测试由模型、路由和工具组成的完整系统。
文章指出工程师的关注点已从 IDE 转向 AI Harness，并介绍了提升 Harness 输出质量的关键方法。核心策略包括：保持配置文件（如 .md）精简，采用渐进式披露原则以节省上下文；利用 R.P.I 框架（Research, Plan, Implement）像资深工程师一样分解问题；以及通过子代理清理主上下文窗口。文章强调，Harness 的核心在于工程判断力。
本期周刊主题为“基建周”，指出智能体正从 demo 迈向生产系统，技术栈面临重建。文章深入剖析了 Cloudflare 如何补齐计算、存储等边缘云原语，以及 Claude Opus 4.7 与 Codex 在执行层的安全与操作进化。同时，对比了开源项目 Hermes 的工程兜底策略，探讨了 Notion 与 MiniMax 在记忆系统和电脑操作上的实践经验，揭示了智能体“思考、纪律、基建”的分层进化路径。
本文深入对比了 Harness 生态下的两个 Agent 系统“小龙虾”和“Hermes”。文章指出两者赛道不同：小龙虾擅长入口管理和秩序治理，适合团队标准化；Hermes 擅长经验沉淀与技能自学习，适合个人深度使用。作者从技能机制（SOP库vs经验笔记）、记忆体系（静态文件vs全流程闭环）及安全模式（事前规则vs事中防御）三个维度详细阐述了区别，并建议根据具体需求进行选择。
本文深入探讨了构建AI Agent的正确方法：重点不在于构建模型，而在于构建模型周围的基础设施。作者提出了包含四层内存系统（工作上下文、语义课程、情节记忆、决策记录）的架构，并强调了技能封装与协议执行的重要性。文章详细介绍了关键的配置文件（如AGENTS.md、DECISIONS.md）以及“夜间梦境”机制，该机制能压缩日间学习内容。
本文深入解析了AI工程领域的三次范式跃迁：从Prompt Engineering到Context Engineering，再到当前的Harness Engineering。文章用生动的游戏比喻和OpenAI的实际案例，阐述了Harness Engineering的本质——通过建立约束系统来驾驭强大的AI Agent。
本文深入剖析了 Anthropic 的 Claude Code 源代码，揭示了构建生产级 AI 代理框架的核心架构设计。文章指出，真正的代理框架不仅是模型和上下文，更包含了基础设施、多租户和权限控制。关键设计亮点包括：使用异步生成器而非 while 循环来实现可取消、可组合的代理核心；通过并发分类实现工具执行的速度与安全平衡；四级 CLAUDE.md 层级结构实现企业级策略管理；以及系统提示缓存优化、多级上下文压缩策略和精细化的错误恢复机制。
本文介绍了 OpenAI Codex CLI 的增强工具 oh-my-codex (OMX)。OMX 是一个智能工作流增强层，通过需求澄清、规划审批、持久完成循环和多智能体协调等工程化功能，解决了传统 Codex 缺乏工作流管理的痛点。文章详细讲解了 OMX 的核心功能、安装步骤、四大工作流模式（$deep-interview, $ralplan, $ralph, $team）以及实战案例。
本周刊探讨了 AI 开发重心从模型能力转向工程治理的趋势。涵盖腾讯 22 个智能体的工程实践、ThoughtWorks 的约束工程框架、天猫胶水编程 97.9% 采纳率秘诀，以及 Cursor 和 Claude Code 的工具演进。文章指出，行业正从 Vibe Coding 迈向 Agentic Engineering，企业需通过构建 Harness 和规范体系来驾驭日益强大的智能体。
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。
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。
文章探讨了如何设计能够同时服务人类用户和 AI 代理的命令行界面（CLI）。核心理念是将数据与呈现解耦，通过提供 JSON 输出、支持环境变量配置、统一的错误处理和确定性退出代码，确保 CLI 对机器可预测且对人类友好。
本文基于 Claude Code (v2.1.88) 泄漏的 51 万行 TypeScript 源码，深度解析了业界顶尖 AI Agent 的工程架构。文章详细剖析了其基于 React + Ink 的终端交互模式、极致的 Prompt Cache 字节级优化策略、流式并发执行机制以及解决上下文污染的 Fork Subagent 架构。同时，文章还揭示了其独特的 Dream 记忆系统、基于侧查询的动态权限管理及多 Agent Swarm 协作模式，为 AI Infra 从业者提供了极具价值的技术参考。
文章介绍了如何规范配置 Claude Code 项目。建议将项目配置存放在 .claude/ 文件夹中，利用 CLAUDE.md 作为使用手册，并根据项目规模拆分至 rules/、commands/、skills/ 和 agents/ 子目录。同时强调了区分仓库配置与全局配置的重要性，以及通过规范设置来优化权限管理和代币消耗。
Anthropic 工程师分享 Claude Code 的 Skills 功能实战经验。文章总结了内部常用的九类 Skills（如库参考、产品验证、业务自动化等），并提供了编写 Skills 的最佳实践，包括利用文件系统结构、明确触发条件以及通过脚本增强模型能力，旨在帮助团队系统化构建和分发 Skills 以加速开发。
本期周刊主题为“编排”，探讨了随着 Claude Sonnet 4.6、Gemini 3.1 Pro 等模型的密集发布与能力跃升，工程师的角色正从亲手写代码转向定义任务与调度 AI Agent。文章分析了模型层“加量不加价”的趋势，解读了 Claude Code 的哲学，以及阿里等一线团队的实践落地，指出判断力与系统思维正取代执行力成为核心稀缺资源。
文章解读了 OpenAI 官方关于智能体工程的实战指南，详细介绍了构建长期稳定 Agent 的三个核心要素：技能、Shell 工具和上下文压缩。文中结合 Glean 等企业的生产数据，提供了 10 条关键实战技巧（如技能描述即决策边界、负面示例防误触等）及三种从简单到高级的构建模式，旨在解决系统提示词膨胀和工具调用准确性问题。
文章讲述了OpenAI核心工程师翁家翌的职业成长与理念。作为强化学习基础设施的搭建者，他坚持“工程重于学术”，认为读博是浪费生命，并致力于通过开源代码消除信息差。文章分享了他从清华到CMU再到OpenAI的经历，以及对年轻人的职业建议：尽早进入工业界，深耕工程能力，建立自己的评价体系。
本文探讨了非技术人员在进行 Vibe Coding（使用 AI 编程）时面临的挑战，指出问题往往在于需求描述不清。文章提出了五个进阶建议：使用 AI 访谈厘清需求、从小项目做起、培养工程化思维进行风险管理和任务拆解、善用 Git 版本控制作为后悔药，以及坚持真实运行检查，强调代码是工具，解决问题才是目的。
