本文介绍了三种提升编码代理（Agentic）生产力的 Markdown 架构模式：AGENTS.md、DESIGN.md 和 SKILL.md。AGENTS.md 为代理提供项目全局指导，基准研究显示可减少 26% diff 大小、27% 耗时和 25% token 消耗，建议保持约 12 行简洁内容。DESIGN.md 由 Google 于 2026 年推出，通过描述性文字和 YAML 设计 token 固化设计系统，保证 UI 一致性。SKILL.md 提供可复用的任务流程指令，按需渐进加载以节省 token，且可复用于非编码业务场景。作者建议将规范纳入版本控制，像对待源码一样严格管理 Markdown，并警惕第三方 skill 的安全风险，从而规模化提升团队的智能体工作流效率。
Marc Andreessen 回顾其 2011 年“软件吞噬世界”的预言已成真，并指出 AI 编码代理正让软件吞噬世界的速度从人手转向算力。以 Devin 为例，代理已能编写 90% 以上生产代码，工程师从“码农”变为“代理舰队 CTO”，实现 10 倍乃至 100 倍杠杆。奔驰、Rivian、Itau 等企业案例显示效率提升显著。他反驳“AI 终结软件工程”的论调，认为需求无限，技术解锁新市场。a16z 因此重仓 Cognition，看好其团队与愿景。
DAIR.AI 本周精选五篇 AI 论文：1）Declarative Attention，让模型在思维链中声明注意力区域，降低长上下文 KV cache 读取成本达 52%；2）Harness-of-Harness，将编码代理的执行组织为规划-开发-测试的迭代循环，实现多天无人值守开发，平均提升 52.25%；3）WikiSkill，Google 提出的技能 wiki 框架，让代理从自身运行记录中演化可迁移技能；4）SKILL.state，用显式可变执行状态替代追加式历史，使 prompt 从 O(T) 降至 O(1)，提高准确性并降低 token 消耗；5）CORAL，Meta 的代理框架在生产推荐系统上持续优化，取得真实 A/B 验证效果。
文章讨论了随着编码代理模型的快速演进，过去的提示与指令实践已不再适用。作者以 GPT-6 Astra 为例，指出项目中积累的大量臃肿指令（Skills、AGENTS.md、任务提示）需要重新审视。核心建议包括：Skill 描述应尽量简短、采用渐进式披露的文档结构、避免过度详细的流程式指导；AGENTS.md 中应移除不必要的文件阅读和测试要求，因为新模型已有更强的自主判断力；要注意决策边界的表述，明确任务完成定义以避免模型过早停止。作者建议借新模型发布之机对仓库指令做一次全面清理和审计。
文章探讨 AI 基础设施建设的长期逻辑：与互联网时代单一维度的用户渗透不同，AI 硬件需求由用户渗透率与人均 token 用量两个指数增长维度相乘驱动，形成历史上罕见的「双 S 曲线接力」，支撑更长的半导体超级周期。同时指出，由于推理的高边际成本，AI 时代商业模式已从「流量×转化率」转向「每 token 毛利」。文章还分析编码（广义）作为下一个 ARR 增长引擎的潜力：大量非编码任务（财务、法务、销售等）正被转化为编码代理执行结构，OpenAI Codex 在非工程岗位的周活用户暴涨即为例证。
本文探讨了在多个编码代理之间切换时产生的“重置税”问题，即代理间缺乏共享状态导致重复探索、决策冲突和效率低下。作者提出解决方案：不复制整个会话，而是创建一个可移植的、经过审计的任务契约，记录已验证的任务状态、约束和决策。文章强调模型与工具链应分别路由，并指出共享状态应包含权威数据而非未经验证的信息，以避免上下文过载和记忆污染。通过小型、版本化的契约，不同代理可以无缝协作，同时保持各自的优势。
本文介绍了名为 show-me 的技能，旨在通过紧凑的视觉表示（如组件树、调用栈、图表、文件布局、伪代码、类型签名、diff 语法和 HTML 原型）替代冗长的文本，提升编码代理的可读性和沟通效率。作者认为当前编码代理的输出过于冗长且难以阅读，而视觉信息更易于人类处理。该技能已在 humanlayer 中发布，并可通过 npx 命令安装到其他编码代理中。文章还引用了多位开发者的反馈，强调视觉化在程序设计和代码审查中的价值。
文章介绍了Eval Engineering Skill，这是一个帮助编码代理使用仓库上下文和代理跟踪构建评估的技能。该技能通过检查代理结构、挖掘模式并与用户交互，生成可执行的Harbor格式评估。文章还强调了迭代设计评估的重要性，以及容器化评估在持续学习中的作用。
文章探讨了 AI 编码代理（Agent）发展的演进趋势。第一阶段主要是利用低廉的代码成本进行软件的“克隆”与“移植”。随着技术成熟，我们正迈入第二阶段——“重新构想”。得益于 Cloudflare 和 Cheng Lou 等案例，开发者不再受限于旧有的历史包袱，而是利用 AI 代理从零开始构建更现代化、高效的解决方案。编码代理不仅降低了挑战旧系统的成本，还通过合成测试和持续修补，使新软件快速迭代成熟，从而能够以现代方法重新解决长期存在的老问题。
