作者分享了客户端开发的技术选型思考，梳理 Web、跨端（Electron、Tauri、Flutter）与原生三条路线的权衡，提出研发效率、体验、性能的『不可能三角』。以自己的 Mac 清理工具 Mole 为例，讲述为何 Windows 版选择 C# + WinUI 3，如何用脚本同步设计 token 与多语言保持两端一致，并详细介绍在 Mac 上通过 Parallels、Claude Code、远程终端与真机测试开发 Windows 软件的工作流，以及混合多语言调用（Swift 调 JS、Rust 调 JS）解决难题的实践，认为 AI 时代规则抽象比代码抽象更重要，测试验证是工程师核心价值。
作者 Tw93 分享用 Mac 开发 Windows 软件时对客户端技术选型的思考。文章梳理了三种主要路线：Web 壳方案（PhoneGap/Cordova）、跨端方案（React Native、Flutter、Electron、Tauri、Wails 等）以及原生开发（SwiftUI、Compose、WinUI 3）。作者提出研发效率、体验与性能的'不可能三角'，并指出在 AI Coding 大幅降低开发成本的当下，原生开发变得更具吸引力，因为双平台代码成本被 AI 补齐，而人更应专注于多端调试与验收。最终强调技术为业务服务，先解决用户真实需求，再优化体验。
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
作者分享入职大厂两个月从事 Agent 开发与后端维护的 AI 编程工作流。介绍了常用 Skill（grill、implement、ponytail、handoff 等）与简短 Prompt（第一性原理、对抗性审查、消融实验、奥卡姆剃刀、高内聚低耦合），指出随着模型能力增强，过重的 Workflow 反而成为噪声，应使用方法论式思维快捷键。同时分享了日常开发流程：grill 需求对齐、沉淀 Spec、任务拆分并行开发、交叉审查；重点讲解如何构建 Agent 友好的端到端测试环境（CLI、MCP、浏览器自动化），以及 Review AI 代码的实践。最后总结当前瓶颈在 Review 速度，Harness 需随模型迭代做减法。
作者认为 TRAE 是国内 AI Coding 领域第一，TraeWork 和 TraeCode 合并后成为最接近 Codex 的 Agent Harness。文章通过多个实际案例展示 TRAE 能力：用电脑控制和浏览器控制插件自动调研 Producthunt 产品；10 分钟开发 Obsidian UI 学习插件并上架；20 分钟将插件移植到 DeepSeek Harness；通过绑定微信、飞书随时随地远程修 Bug、合并代码；办公学习方面有模板库和飞书文档集成。作者认为 TRAE 三端打通、双模式设计（SOLO 和 IDE），让 AI Agent 覆盖更广人群，即使界面像 Codex 也无妨。
作者以“只提一次需求、只调用一次模型”的严格规则测试 Ling-3.1-flash，仅给出一句模糊需求——“做一个可直接交付的 AI 项目工期与 Token 成本估算器交互网页”。模型先自主拆解任务、补全产品逻辑，一次生成 805 行、41KB 的零依赖单文件 HTML，包含参数联动计算、成本图表、甘特图、场景预设与数据导出等功能。作者验证发现一处 undefined 变量 bug，手工修改一行代码修复。作者认为 AI Coding 的价值正从“补代码”转向“交付完整版本”，但生成结果仍需人工验收与修正。
作者分享了作为 Infra/Kubernetes 工程师在 AI Native 时代的工作方式演变：从 2 月认为 Code Typing 不必要，到 5 月确立「AI 放大执行、人负责判断」，再到 8 月形成信息、研发、落地、工具链的完整链路。信息层面，他用 minds（AI 参与度 90%+）和 my-kms（5%）两个知识仓库，Agent 改动走 PR 流程由人 review；编码层面推行 Spec-driven、用 guides 固化约束、自测 Agent 分层验证；工具链上自建 mind-forge、skm 等工具。核心观点：AI 善于「作」（生产、展开、润色），人负责「创」（问题、判断、观点），工作重点是决策密度、共识形成与保留个人棱角。
作者发现网页端 ChatGPT 与 Codex/API 的额度体系并不完全共用，于是开源了 webgpt-api 项目：用户登录自己的 GPT 账号获取凭证，程序在本地提供 OpenAI 兼容的 API 接口，把 ChatGPT 网页版的能力供 Claude Code、Codex CLI、OpenCode 等工具调用。作者推荐“脑手分离”工作流：用官方 API 做架构规划等关键任务，把高消耗的反复修改与 debug 转嫁到网页版额度上，且无需修改配置文件即可无缝切换。该项目不绕过官方限制，适合个人使用，额度充足且更灵活自由。
本期早报精讲三条内容：Anthropic 发布 Claude Opus 5.5，能力接近上代旗舰而成本下降 40%，并强化行动控制与可审计机制；小米发布 MiMo V2.6，通过更大的 Batch、全异步架构和可验证任务环境扩展强化学习，并开源训练框架与轻量 Harness；美团分享 MTFM 统一推荐基座在外卖多业务场景的落地，通过异构 Tokenizer 与混合注意力实现跨业务统一建模，订单量提升 2.06%-6.68%。速览涵盖腾讯工程师转型大模型推理、AI 产品评估实践、Agent Harness Skill Engineering、去哪儿网 AI Coding 重构、千问办公企业上下文、算力芯片趋势及 OpenAI 第三方评估原则。
文章探讨了 LLM 与 Harness（智能体外壳）之间的动态博弈。作者回顾了工具编排的四代演进：从 Function Calling、Tool Search、Code Mode 到 Model-native Code Execution。以 OpenCode 2 接入 GPT-6 Astra 后模型绕过定制解释层、直接写原生 Python 为例，指出前沿模型已将编程能力内化为默认行动策略，强行约束是逆着模型行事。架构思路因此从编排层变薄、控制层变厚迁移：权限拦截、可观测性、状态管理等责任转移至外部系统。作者还分析 Harness 难以自进化的原因——缺乏廉价反馈与客观评估标准。结论是 Harness 设计须保持动态滑动边界，模型已内化的能力果断让渡，控制面继续完善。
本文面向零编程基础的初学者，系统介绍 AI Coding 的完整学习路线。作者指出 AI Coding 的核心不是让 AI 写完所有代码，而是人负责目标设定、判断与验证，AI 辅助开发各环节。文章将学习路线分为五个阶段：学会控制 AI、做出第一个网页、读懂 AI 生成的代码、把网页变成带登录和数据的小产品、处理上线后的问题，并给出 30/60/90 天实践计划、四个新手练习项目、可直接复用的提示词模板、上线前检查清单以及按阶段整理的学习资源（MDN、freeCodeCamp、CS50、Claude Code 等），帮助新手从生成代码走向做出可维护、可发布的产品。
本期早报围绕 Agent 从生成能力走向稳定交付的实践路径展开三条精讲：一是蚂蚁数科的 Harness 工程实践，通过约束层、状态写入、目标对齐与对抗验证建立 AI Coding 验收闭环，存量项目缺陷率显著下降；二是 Uber 的智能体成本治理，在周请求量增长9.4倍的情况下，通过成本乘数拆解、模型路由、上下文治理和缓存策略保持总支出稳定；三是 UrbanGround 在真实三维香港沙盒中评测多模态模型的长程导航能力，揭示局部识别与完整任务完成间的巨大断层。速览部分涵盖自建数据中心、ML 训练数据加载、上下文清理、边缘推理、开源代码治理、AI 电话代理等主题。
作者回顾了半年间 AI Coding 实践的演进：三月通过 Harness Engineering 给模型加约束，八月换成更轻量的 Pi 减少上下文注入，如今实践进入稳定态。文章介绍了当前工具栈，包括 matt skills（需求对齐、spec 拆解、TDD 实现）、ponytail（消除 AI Slop）、subagent 加 worktree 并发开发等。作者提出完整的日常 Coding SOP，从脑暴对齐到垂直切片再到 subagent 实现和人工 Review，并指出人工 Review 已成为新的瓶颈，介绍 Ensemble Review 多模型交叉审查方案。最后强调软件工程基本功与工程直觉在 AI 时代愈发重要。
本文介绍了规范驱动开发（SDD）工作流，旨在解决 AI 编程中常见的“左右脑互搏”问题。作者分析了问题根源，包括上下文注意力衰减、历史决策丢失和缺乏统一规则，并提出了 SDD 的解决方案。文章详细阐述了 SDD 的核心概念、最简开发流程、规范分类与管理方法，并推荐了开源的 agents-spec Skill 工具，帮助开发者自动化规范审计和目录治理，提升 AI 编码效率。
作者以真实 GEO 视频工作流中的语义素材检索模块为实验对象，构建了 24 个 Case 的测试集，让 Codex 遵循「Baseline 考试 → 失败分析 → 最小修改 → 重新考试 → Release Gate 判定」的闭环流程自主工作。Baseline 通过率 79.17%，通过分析 5 个失败案例的共同点，Codex 仅增加一层确定性的 Query Rewrite，通过率提升至 91.67%，且无回归案例，但高风险 Case 未改善。最终 Release Gate 判定 FAIL，作者强调 Eval 让 AI Coding 从「生成代码」走向「对结果负责」，人类应聚焦于定义目标、边界和质量标准。
作者分享了将 Eval（评估体系）融入 Codex 工作流后的实践心得。核心观点是：AI Coding 越强，Eval 越重要，因为 Build 变便宜了，但'什么叫完成'并未变简单。文章指出 Tests Passed 不等于任务正确，Testing 是底线，Eval 是交付线。作者重构了工作流程：Baseline → Build → Test → Eval → Analyze → Fix → Re-Eval → Release，强调先跑 Baseline 而非上来就改 Prompt，利用失败分类找出瓶颈，通过 Release Gate 定义验收标准。同时提出 Ground Truth 必须由人工确认，AI 不能既出题又评分。最终结论：人应从让 AI 写代码，转向给 AI 定义验收标准。
本文作者基于 FDE/To B 企业 AI 交付实战经验，系统拆解了小团队从 0 到 1 做企业 AI 服务的完整链路：线索、初筛、现场调研、需求边界、报价、SOW、开发交付、测试验收、交接回款与复盘复用十步。文章强调小团队卖的不是 AI 技术而是可验收的结果，详细讲解了获客路径、客户筛选标准、现场需求调研方法、分阶段报价策略、SOW 工作范围说明的写法、测试集设计以及需求变更处理，帮助 FDE 小团队把模糊的老板想象转化为双方可理解、可测试、可验收的交付成果。
本期早报聚焦 AI 编码之后的交付瓶颈。精讲一指出编码仅占研发链路的 20%-30%，团队应从 Spec 驱动转向环境与验证驱动，让 Agent 能自主获取可信反馈。精讲二介绍 Steve Yegge 在五六十个 Agent 协作的软件工厂中构建的「围栏」治理系统，通过职责、先例、权限和检查点延续组织状态。精讲三解读吴恩达提出的 AI 工程六类能力图谱，强调数据、评估与运维协作。速览还涵盖数据中心影子借贷、丰田企业 Agent、语音评估、长上下文推理与肝癌 AI 模型等。
文章从《经济学人》报道的一项针对26811名中国中学生的研究切入：使用生成式AI后作业成绩提升18%、用时缩短30%，但六个月后闭卷考试成绩下降约20%。作者结合自身经历——从不会写代码到借助AI开发出上架App Store的应用——提出“句号型AI”与“冒号型AI”的区分。AI既可以替人完成任务让思考终止，也可以成为进入陌生领域的门票，引发持续追问。作者认为能力外包与能力扩张可以同时发生，真正危险的是认知地图停止生长，关键在于我们如何使用AI。
本期周刊围绕「编码工业化之后程序员价值如何重新分配」展开。文章指出编码执行正被 Agent 工业化，但程序员价值不会自动消失或上移，新分水岭在于定义问题、沉淀组织知识、独立验证与承担结果责任。内容涵盖 AI Coding 对就业的影响、生成加速后的治理与验证前置、个人提效被组织摩擦吃掉的现象，以及程序员转向设计会学习的执行系统（如 Harness 插件化、Skill 自动改进等），并强调评价体系与价值流治理必须同步变革。
作者发布了 Agents Spec Skill，这是一个基于 SDD 工作流的跨 Agent 技能，旨在解决 AI Coding 在长期复杂项目中的失忆、越界和交付质量不稳定问题。该 Skill 通过建立清晰的文档分层（requirements、technical、specs）和 AGENTS.md 引导，将需求、技术方案和工程规范分离，并提供审计脚本检查结构问题。它帮助 AI 更稳定地执行任务，减少返工，适合维护长期项目或使用多个 Coding Agent 的开发者。
本期早报聚焦 AI 工程实践三大主题：一是 Anthropic 的 Claude Tag 作为 CI/CD 故障第一响应者，通过记忆、连接器、日程与 Skill 指令形成态势报告，中位 14 分钟发布首份有证据分析，并开源 oncall-kit；二是腾讯云开发者用实验检验 CodeGraph 与 RTK，发现单次输出缩短不等于整体成本下降，关键在于给对上下文而非少给；三是京东技术提出 AI Coding 工具、副驾、协作者、共生体四阶段框架，以验证成本决定人机分工。速览还包括 Google 智能体安全审查、LangSmith 自动评估器、水印合规等内容。
文章指出在 Claude Code 中使用昂贵模型处理基础任务是浪费。作者介绍了三种方法将 Kimi K3 集成到工作流中：使用 Kimi Code、通过 CC Switch 在 Codex 中配置 K3，或使用 Codex Orchestration 插件进行角色级路由。通过将繁琐的代码实现交给便宜的 K3，仅将推理留给高级模型，可在保持质量的同时将成本降低 10 倍以上。
文章回顾了WaytoAGI未来硅世界直播中12位分享者带来的10个AI Coding作品和2个FDE案例，涵盖了音乐可视化、视频总结、亲子习惯养成、AI私域运营等创新应用，展示了AI在内容创作和企业服务中的实践。
文章用通俗语言解释了AI编程代理的核心概念，并将其映射到设计师熟悉的“双钻”设计流程中。作者指出标准Agent设置缺乏批判、客户访谈、交接和验证等关键环节，并介绍了通过Foundry工具实现的改进流程，强调在编写代码前先通过“理解与决策”阶段来确保方向的正确性。
本文介绍了一种基于 Codex 和 Skills（如 WhisperX、FFmpeg、Video-Use）的本地视频自动化处理方案。通过编写 AGENTS.md 规范，指导 Codex 完成视频字幕生成、中英双语翻译、水印添加及最终渲染，避免了从零构建复杂的 Agent Pipeline，适合内容创作者和 AI Coding 爱好者快速搭建高效的视频处理流。
本文探讨了规范驱动开发在过去 12 个月如何成为 AI 编程的默认架构。文章结合 Thoughtworks、GitHub 和 Amazon 等行业巨头的实践，以及多篇学术论文的数据，分析了为何 SDD 是解决 AI 编程带来的“生产力悖论”和系统级稳定性下降的必要手段。文章详细对比了 Spec Kit、BMAD-METHOD 等五大主流 SDD 仓库的实现哲学与治理机制。
文章旨在指导非技术人员上手 Claude Code 这一 AI 编码工具。作者指出，Claude Code 的门槛并不高，通过补点基础技术知识、配置 CLI 终端（如 Kaku）以及掌握精确描述需求的技巧，非技术同学也能利用其完成数据处理、文档汇总、制作内部小工具等任务。文章重点介绍了 CLAUDE.md 的编写规范、如何将模糊需求转化为精确指令、以及 Plan 模式的使用方法，帮助读者建立“为自己一人写软件”的实战思维。
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。
本文评测了智谱最新发布的开源大模型GLM-5。作者认为GLM-5在编码能力、长任务规划及Agent能力上已逼近Claude Opus 4.5和GPT-5.2水平，是国产模型的重大突破。文章详细展示了使用GLM-5开发文章分发插件、斗地主记牌器及QQ农场的实战案例，并对比了其API价格与性能优势，称其为国内性价比最高的AI Coding选择。
