月薪7万的FDE工作体验：进厂贴二维码与AI落地实践
本文讲述了作者作为前线部署工程师（FDE）深入服装厂，落地AI报修系统的全过程。与单纯的写代码不同，FDE需要深入一线调研真实业务流程，明确可量化的交付指标。通过贴二维码解决设备识别问题，建立评估集（Evals）优化车间噪音干扰下的语音识别准确率，并在不断试用与反馈中平衡系统自动化与工人操作体验。文章揭示了AI应用落地面临的真实挑战，以及FDE作为客户与技术之间桥梁的核心价值。
全部文档 / 标签: Agent
2252 篇
X API 零基础教程：从开发者后台到 Codex 自动发布
在AI时代，开发者常面临“做得出产品却不会宣传”的痛点。本文介绍了如何利用X（原Twitter）开放的API，将Codex等AI编程助手与X平台打通，实现内容的全自动发布。教程详细讲解了在X开发者后台创建应用、配置权限及获取密钥的完整步骤，并分享了三种进阶玩法：让Agent直接代发内容、创建定时任务自动总结发布，以及将产品更新动态同步至社交平台。作者结合自身项目OpenLetter，展示了“做产品与自媒体运营一体化”的高效工作流。
DeepSeek 不能生图/生视频的解决思路
针对文本模型无法直接生成多媒体内容的问题，本文提出了一种分层解决方案：利用 DeepSeek 生成结构化的画面描述，通过接入第三方聚合 API 处理图像和视频生成，最后交由 Agent 工作台串联完整流程。文章详细演示了如何调试接口并将验证成功的流程封装为可复用的 Skill，从而极大提升后续多模态内容生成的效率。
用 Codex 和 Skill 搭建自动化跨境 VOC 数据分析生产线
本文总结了十年数据分析经验，将其打包成4个 VOC Skill，利用 Codex 自动跑通从多平台评论抓取、清洗打标、统计分析到生成报告的全流程。文章详细介绍了如何通过构建多级标签体系将文本转化为可计算的指标，并分享了数据抓取、AI 打标抽查、Python 统计防错等实操技巧。该方法有效解决了 VOC 分析难以复用的痛点，可广泛应用于各类非结构化文本的处理与业务决策。
AI行业220个核心名词科普与整理
本文针对AI行业层出不穷的新名词，系统整理了超过110个核心概念，旨在帮助读者建立对AI技术的整体认知。内容涵盖了一人公司(OPC)、Agent智能体、大模型架构、模型训练与压缩、MCP生态协议，以及AI创业相关的商业指标等，适合作为日常查阅和学习的工具指南。
2026 AI 下半场，投资人该盯的三个信号
文章指出2026年AI行业正从“能力竞赛”转向“生产力竞赛”，模型本身不再是唯一重点。真正的商业价值在于工作流和收入。投资人应关注三个核心信号：一是AI应用能否真正盈利并为企业省钱；二是Agent能否深度接入企业系统并实际执行任务；三是AI能否走出数字世界，通过Physical AI（具身智能、机器人等）改造现实。此外，AI基础设施（卖铲子）及安全权限治理也是极具潜力的长期红利。
企业AI落地，需要的不是一个知识库，而是一台“知识引擎”
文章指出，企业AI落地仅靠大模型和传统知识库是不够的，面临问法改变即失效、权限越界、引用失效等瓶颈。企业真正需要的是一套包含知识接入、工程加工、治理管控、应用调用和反馈优化的“AI知识引擎”。它能将繁杂的企业资料转化为可信、可追溯、可复用的上下文，为人和各类业务Agent提供稳定支撑，从而在AI深水区构筑核心竞争力。
从0到1跑通AI短剧史诗级场面制作全流程SOP
本文详细拆解了使用AI工具（Flova Agent与Seedance2.5模型）制作玄幻大场面AI短剧的全流程。作者指出，打造高质感的史诗级画面需要摒弃抽象词汇，利用“场景图+结构化提示词+具象物理反馈”的公式。文章分享了稳定运镜与多轮对话修改的实操经验，并强调在AI时代，创作者的核心竞争力依然是独特的审美与创意。
发一条 iMessage，让 AI 替你玩手机：Airtap 技术拆解与实测
本文深入剖析了移动端 Agent 产品 Airtap 的技术架构与实现原理。由于手机 App 缺乏像网页 DOM 树那样的结构化接口，移动端自动化极具挑战。Airtap 通过结合云端真机与视觉大模型（VLM）的闭环操作攻克了这一难题，并巧妙地将 iMessage 作为异步任务入口。文章详细分析了该方案的速度限制、风控及安全隐患，并实测了其自动安装应用、检索信息的全流程，指出其适合执行高频低风险的重复性任务。
本周AI前沿论文导读
本文汇总了本周AI领域的多篇前沿研究。主要涵盖：1) 提出了智能体系统失败的分类法，以区分模型与支架的故障；2) 零Token记忆操作大幅降低延迟与成本；3) 研究发现在同等消耗下，简单重复采样优于模型自我反思；4) 利用单独的模型自动修复智能体支架；5) 针对异构数据的企业级分析基准DataSpace；6) 探讨提示词诱导导致的编码智能体资源浪费问题。这些研究为AI智能体开发和评估提供了重要指导。
企业级 AI 的权限管理挑战
随着企业将各类信息接入统一的 AI 知识库，传统的基于文件的权限管理已完全失效。文章指出，知识的提炼与综合改变了权限的底层逻辑：权限的粒度应从“文件”转变为提取出的“观点或信息”。同时，AI 必须具备上下文理解能力，既要让有价值的经验突破原始隐私边界实现共享，也要懂得“选择性遗忘”无关或敏感的闲聊，以避免引发寒蝉效应。此外，AI 交互轨迹应被视为新型企业记忆保存，并需着重解决知识归属与隐私权限的分离问题。
38家大模型11个实现就够了：拆解LLM协议层
本文剖析了开源Coding Agent的内核架构，重点讲解LLM协议层的精巧设计。一方面，通过分离API协议与服务商配置，仅用11个协议实现便覆盖了38家大模型，新增支持仅需十几行配置代码；另一方面，确立了“模型调用永不抛出异常”的核心契约，将网络中断、鉴权失败等异常情况统一降级为带有stopReason的普通事件流。这种设计不仅保持了上层Agent循环代码的优雅，还能在发生错误时保留已生成的部分内容，极大提升了系统的鲁棒性与用户体验。
你的 Agent 框架应该能够自我修复
文章探讨了AI Agent在生产环境中失败时，传统可观测性工具仅能提供追踪数据，而无法自动解决修复问题的瓶颈。作者介绍了开源平台Opik，它通过四层架构（Tracing追踪、Ollie诊断与修复、Test Suites测试集、Agent Sandbox沙盒）形成闭环。该平台能自动诊断错误链路，内置代码代理提出修复方案，并将真实失败转化为回归测试，从而实现Agent框架的自我修复与持续优化。
Claude Code 的会话能跨窗口私聊了
Claude Code v2.1.224 版本引入了跨会话消息功能，允许不同窗口、项目和机器间的会话通过SendMessage和ListAgents工具互相通信。官方提供改动预警、答案传递和长任务进度同步三个场景。该功能仅限信息对齐，无权批准权限或修改配置。作者提出多会话协作协议，强调当存在两个及以上相互依赖的会话时才适用，并需人为制定分工、模板与冲突协调规则。
Harness Engineering：构建决定AI Agent可靠性的七层架构
文章指出，AI Agent的可靠性不取决于模型权重，而取决于周围的脚手架（Harness）。Harness分为七层：执行环境、工具接口、上下文管理、编排与生命周期、可观测性、验证和权限边界。这七层都是需要编写和版本控制的代码，而非模型属性。此外，Harness还分为由模型构建者提供的内部Harness和开发者自行组装的外部Harness。
从 0 到 1 入门 FDE系列教程（一）：FDE到底需要会什么技能
本文探讨了在AI时代，FDE（全栈交付工程师）如何整合业务咨询、算法、工程与交付等多个职能。作者结合自身转型经验，指出FDE需具备业务洞察、客户筛选、沟通落地及端到端技术工程能力。文章系统梳理了从需求收窄、RAG治理、Agent权限控制到部署压测、生产发布及最终知识转移的完整闭环，强调技术落地必须与组织采用相融合，为AI企业级落地提供了实操指南。
AI 名词小白入门白皮书
本文专为缺乏技术背景的AI初学者撰写，旨在理清AI领域的常见名词。作者将AI系统划分为七个层级，详细拆解了从大模型、产品、Token、RAG、MCP到Agent、Workflow、Loop和Graph等核心概念。文章指出新手常犯的认知混淆，并通过具体的任务案例展示AI系统的工作流程。最后，为初学者提供了从分清对象到理解工具执行的实用学习路径，帮助读者建立完整的AI概念地图。
WorkBuddy 实战教程 01｜从一个文件开始，完成第一份可检查结果
本文是 WorkBuddy 的实战教程，通过读取两份虚构资料生成一份新人速览文档，指导新手如何完成第一个可验证的 AI 任务。文章强调了在使用 Agent 时设定“任务边界”（控制读取、写入和执行范围）的重要性。通过提供一张包含目标、输入、输出和验收标准的“任务卡”，确保 AI 只读该读的文件、只写指定位置且不编造事实。最终总结了将复杂工作拆解为最小可检查闭环的方法论。
LangGraph 生产环境最佳实践
本文总结了将 LangGraph 智能体从原型推向生产环境的最佳实践。针对高并发、连接池耗尽等线上常见故障，文章提出了四大核心支柱：状态与检查点管理、系统可靠性（含重试与人类介入）、可观测性及部署扩展。作者详细解析了如何科学设计状态结构、正确选择 Postgres 检查点策略与线程隔离，并提供了避免无限工具循环、实现幂等性恢复的健壮代码模式，助力构建稳定可靠的线上系统。
追求极致效率的AI本地开发提示词
作者分享了一份用于指导AI进行本地开发的高效提示词。核心理念基于第一性原理，要求AI追求最短路径、最小实现，拒绝冗余设计。规范涵盖严格的凭据管理、防范提示词注入、产物可复用与幂等性等。执行风格强调先做后报、快速失败、独立解决报错。仅允许在缺凭据、不可逆操作和任务歧义三种情况下打断开发者，旨在打造全自动、高效率的自动化开发体验。
DeepSeek 刚支持了 OpenAI Responses API，但你可能还不知道它是什么
本文梳理了 LLM API 格式的演进史。从早期 Chat Completions 的无状态聊天映射，到各厂商接口分叉，再到 Agent 时代为解决状态管理和缓存问题诞生的 Responses API。新 API 引入了服务端状态、检查点分支及内置云端工具，模糊了模型与 Agent 的边界。随着 DeepSeek 宣布原生兼容该接口，预示着 Responses API 正取代旧标准，成为 AI 行业的新共识。
搭建豆包+飞书自动化的抖音对标视频监控系统
本文介绍了如何利用“豆包+飞书”搭建一套抖音爆款对标视频的自动化采集与监控系统。通过豆包的办公任务模式，用户可实现自动搜索抖音高赞视频、提取核心数据并直接写入飞书多维表格。结合定时任务功能，系统能每日自动沉淀选题库，并支持进一步借助Seedance等工具完成视频文案策划与生成，为自媒体创作者提供了一套从找选题到内容创作的完整高效工作流。
LAB: 模拟律师事务所知识环境与AI智能体基准测试
本文介绍了开源的模拟律所环境Calderwood & Harkness (C&H)，旨在测试大语言模型在企业级海量知识（超1亿Token）中的检索与推理能力。C&H包含46个客户和266个案件。基准测试表明，当前先进模型在全面搜索和判断信息检索的“完整性”上存在严重瓶颈，导致任务完成度受限。作者指出，未来的改进方向是让智能体预先构建更丰富的语料库表示（如索引、摘要、记忆），以分摊运行成本并提升企业级知识处理能力。
如何使用Claude实现人生全自动化系统
作者分享了如何利用Claude构建个人与业务自动化系统，解决传统第二大脑工具需人工频繁维护的痛点。文章详细拆解了从工作流审查、设计标准化技能、搭建可视化文件夹的实操步骤。通过让AI采访并评估日常任务，用户可将视频创作、商务拓展等流程转化为Claude可复用的Skill，从而实现生活与工作的全面自动化。
Harness Engineering: 构建模型外围的系统
文章探讨了从“提示词工程”到“Harness Engineering（驾驭工程）”的范式转变。基于Lilian Weng的论文，指出AI Agent的成功不再仅依赖模型本身，而是其外围的系统（Harness）。Harness涵盖了工作流、上下文、记忆、权限和评估等运行时组件，类似于操作系统。与提供灵活性的框架不同，Harness专注于生产环境中的执行可靠性、持久状态和严格控制。文章还分析了三种设计模式及通向自我改进的优化阶梯，强调将持久状态存储于文件而非上下文中，是实现系统可靠性与自动优化的关键。
AI Adoption is a Myth
本文指出企业AI普及是一个神话。在大多数组织中，AI使用呈现“哑铃式”分布：约10%的深度用户消耗了90%的Token，而剩余90%的员工几乎不使用或使用效率极低。文章强调，使用AI和精通AI是完全不同的技能，单凭登录次数来衡量“采用率”毫无意义。此外，AI供应商不断拉高产品门槛，加剧了这种技能鸿沟。企业必须认清现实，调整AI推广策略。
五个被低估的 Hermes Agent 技能
本文介绍了能将 Hermes Agent 提升为操作系统的五个强大且常被低估的技能。grounded-citations 通过要求提供可验证来源来确保研究准确性；dogfood 作为测试代理，以真实用户视角发现产品交互缺陷；systematic-debugging 强调在修改代码前先进行结构化调查以找到根本原因；hermes-agent-skill-authoring 将重复工作转化为可复用的记忆技能。这些技能大幅提升了 AI 工作流的可靠性、可扩展性和操作效率。
Claude循环工程：如何构建自动化Agent
本文探讨了“循环工程（Loop Engineering）”的概念，即从人工提示Agent转变为构建自动提示Agent的系统。文章追溯了其起源，并将之置于提示、上下文、测试床之上，作为自动化运行的最高层。作者详细拆解了循环系统的五个核心组件：触发器、任务、验证门、状态文件和停止条件。最后，文章介绍了Claude Code中四种循环类型及其应用场景，强调通过客观的评估器和状态持久化来实现夜间无人值守的自动化开发任务。
The End of Prompting: The Beginning of AI Loops
文章指出，单一提示词的时代正在结束，AI应用的未来在于构建可重复的“AI循环”。作者强调，不应仅将AI视为问答工具，而应设计包含上下文、执行、评估、反馈和自我迭代的自动化工作流。文章以写作和研究为例，提供了具体的循环设计提示词，倡导用英语作为编程语言来设计系统，使AI真正转变为具备自查能力的数字工作者，从而大幅提升工作效率和质量。
Loop Engineering：如何构建能自我改进的AI智能体
本文探讨了从手动提示AI向“循环工程”转变的新一代工作流。作者指出，真正的循环工程依赖于廉价的长上下文模型来控制Token成本。文章详细对比了旧的手动工作流与新的自动化循环工作流，并深入剖析了单智能体循环与舰队循环（多智能体协同）的区别。同时，强调了在实际应用中应优先采用边界清晰、易于控制的闭环。最后，拆解了构建高效循环系统的六个核心基石：自动化、工作树、技能复用、外部插件、子智能体和检查器，帮助开发者打造可自我迭代和修复的AI系统。
