一位开发者最初只想给小学生做数学练习题，三周后却做出了开源项目 Papermorph——一个 Claude Code Skill。将教材 PDF 丢进去，可生成分章节、带配音的互动网课，公式与图像随讲解动态变化并附带小测；输入童话文本则可生成剪纸风格动画短片。成品为纯静态网页，无需服务器和数据库。成本结构上，一章物理课模型费约 10-18 美元，动效设计使用 Opus，画面检查用 Sonnet，多个 subagent 分担了编导、动画、配音等传统角色。项目在 GitHub 获 867 星，MIT 协议开源。
本文是 Agent 面试高频题详解第 3 题，围绕多 Agent 架构展开。作者结合 50 位作者、63 场面试的面经，系统梳理了六个追问方向：要不要拆、怎么拆、怎么通信、结果谁汇总等。文章指出单 Agent 在上下文膨胀、工具过多、提示词分支复杂、无法并行四方面会卡住；同时多 Agent 有 token 成本（约为普通对话 15 倍）、协调开销、信息丢失和错误传播等代价。文中总结了主从、流水线、并行分片、执行加审查、按意图转交五种结构，以及上下文、工具权限、可验收三类拆分边界，并对比 Skill、MCP、Workflow、SubAgent 等概念的适用场景，最后给出通信方式与面试应答要点。
作者受 yetone 分发的 AI 持续开发工作流启发，分享自己基于 Claude Code + Codex CLI 的开发实践。核心思路是：主 Agent 用 Claude Opus 负责需求分析、任务拆解、调度与审查，Codex 负责具体编码，低成本 Claude Subagent 监测 GitHub Issues/PR，并结合 Git Worktree 隔离任务。开发前强调明确需求、复用成熟开源组件（yt-dlp、Whisper、FFmpeg）、不断质疑想法；开发中通过 Human-in-the-Loop 让人负责体验与最终决策，AI 处理重复任务。文末附完整的可复用提示词。
作者开源了 Pi Durable Subagents 扩展包，为 Pi Durable Agent 框架提供类似 Codex 和 Claude Code 的 subagent 能力。每个 subagent 拥有独立的 Conversation、instructions、模型和工具权限，通过 subagent 工具由主 Agent 委派任务。扩展提供两种模式：Foreground subagent 支持并行创建子任务并等待结果返回，适合并行研究和任务拆分；Background subagent 支持命名后台任务，可通过 spawn、send、stop、status 四种操作持续管理，任务结果通过 durable Reporter task 送回主对话，并支持进程重启后恢复。项目基于 Conversation、Task、ownership 等基础部件构建，采用 MIT License 开源。
文章针对 Pi 编程代理插件市场插件过多、选择困难的问题，给出系统性的选择指南。作者核对了 46 个插件，淘汰 9 个停止维护或无人使用的，提出'常驻 3 个插件'的核心建议：pi-cc-extensions（优化输出排版）、pi-web-access（联网搜索）、pi-context-view（查看上下文占用）。文章先讲清 Skill、Extension、Package 三个概念及安装、试用的基本命令，再按 7 个场景（订阅接入、多线程、上网、浏览器操作、省 Token、安全、写代码）推荐每个场景的最佳选择，最后教读者通过四个指标自行判断插件可靠性和避开同名包的坑。
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。
作者分享了将主力 Coding Agent 从 Claude Code 切换到 Pi 并自建 Harness 三周后的体验。Pi 核心精简、缓存命中率高，且让用户能完全掌控 Agent 工作方式。作者将 Harness 分为三层：AGENTS.md 管纪律（全局与项目级规则）、Skills 管能力（tdd、code-review 等按需加载）、Packages 管控制面（重点介绍 pi-subagents 并行调度、pi-skillful 技能管理、pi-ask 歧义处理等 10 个常用包）。工作流遵循先问清、再侦察、后修改的原则，强调同一目录只留一个 writer、reviewer 可并行。作者还分享了避免堆砌 Skill 和 Package 的教训，提醒 Pi 默认最高权限无沙箱，需提防危险指令。
作者将中文 X 榜单 Top 50 大 V 的 241 条爆款推文导入 Apodex 1.1（Deep Discover 模式），实测其 Agent 能力。文章展示了 Task Orchestrator 自动拆解任务为多个并行 Subagent、支持人在回路中途干预动态重构分支的特点。通过数据分析提炼出爆款三大铁律：↓ 流程箭头是机制解读利器；约 11 处空行营造移动端阅读留白；结尾观点型金句（≤20字、带立场词）可提升点赞 2-3 倍。同时归纳出 12 种 Hook 起手模版，并封装成可直接用于 Claude/ChatGPT 的 System Prompt，认为 AI 正从生成内容转向执行研究。
作者用 Apodex 1.1 对 modelcontextprotocol/servers 的三个参考实现做安全审计实测，并以 Apodex 提出的六条标准（理解目标、真实环境动手、长链条任务状态、处理新反馈、失败自修复、结果可核查）逐一验证。测试中多 subagent 并行推进、可中途切换威胁模型并仲裁内部结论分歧、三次撞墙均自行修复。最终交付30条清单，作者抽验10条行号全部准确，关键在于交稿前的 Statement Review 自查机制抓出并修正了多处错误。结论：五条通过、一条有条件通过，工具的可验证性和自我纠错能力表现出色。
本文详细介绍了FDE（前线部署工程师）这一AI行业新岗位，包括其定义、分类（商务型、产品型、工程型）、如何启动第一个项目、SOW/Spec/Demo/MVP等关键概念、Skill/CLI/Subagent/Hook等工具的使用、企业系统集成方式（API/MCP/CLI/UI自动化）、以及基于EDD（评测驱动开发）的测试方法论。文章还提供了简历、作品集和面试的准备技巧，帮助零基础小白入行。
本文介绍了如何高效利用Agent的/goal功能让其长时间运行直至完成目标。作者指出，设定目标时需明确目标、验证方式及停止条件。以视频转录性能优化为例，建议先建立基准，让Agent自主分析瓶颈并迭代优化，将停止条件设为“无优化空间”而非具体指标，以避免任务过早结束或走向极端。此外，为节省昂贵的顶级模型额度，建议主Agent仅负责分析与编排，具体执行交由subagent处理。
文章探讨了从手动编写提示词向设计自动化循环系统的转变。通过借鉴 Anthropic 和 Addy Osmani 的经验，文章提出了 14 步路线图，分为判断必要性、学习五个核心组件（自动化、Git Worktree、Skill、连接器、子 Agent）和搭建最小可用系统三个阶段，旨在帮助开发者利用 Agent 实现更高杠杆的工程效率。
文章指出大多数开发者像使用初级工程师一样使用 Claude Code，缺乏有效的流程。作者提出了一套利用 Claude Code 内置原语（Plan Mode、Subagents、Hooks 等）构建的 9 步闭环流程，旨在模拟资深工程师的工作方式。该流程强调在编写代码前先探索代码库并制定计划，使用 CLAUDE.md 固化标准，利用 Hooks 强制执行不可协商的规则，并通过独立 Agent 进行代码审查，从而实现高质量、自动化的代码交付。
文章介绍了 pi-dynamic-workflows 项目，这是一种利用 JavaScript 编写工作流 DSL 的 Subagent 实现方案。Agent 将业务逻辑写入专用工具，引擎解析并运行代码，提供了 agent()、parallel()、pipeline() 等原语。该方案旨在为 Agent 提供一个符合人体工程学的“代码模式”编程表面，用于内联业务逻辑。
文章探讨了如何利用 Hermes 工具的多 Profile 协作功能来构建 OPC（一人公司）Agent 团队。作者指出单一 Agent 存在幻觉、记忆污染和角色混乱三大问题，并提出通过“长期员工”Profile 和“临时工”Subagent 的概念进行分工。文章详细拆解了四角色模型（协调员、研究员、作家、构建者）及各自的配置文件结构，旨在建立一套稳定、清晰的 Agent 工作系统。
文章讨论了 MCP 服务器在 AI Agents 中的应用。盲目启用 MCP 会导致上下文膨胀、成本增加和性能下降。文章提出了两种有效的使用模式：一是显式 MCP 服务器（内联工具注入），通过 @mention 按需加载工具，适合用户驱动的临时需求；二是子代理 MCP 服务器，将 MCP 服务器声明在子代理定义中，利用 allowed_tools 进行最小权限范围限定，适合代码审查或支持代理等特定场景。
文章深度解析了 Claude Code 的源码架构，指出大多数用户仅将其作为简单的对话工具，忽略了其作为 Agent 编排平台的强大功能。核心发现包括：CLAUDE.md 的每轮重载机制、Subagents 并行化共享 Prompt Cache 的低成本特性、基于配置的权限系统、5 种上下文压缩策略、25+ 生命周期 Hook 系统以及可恢复的 Session 机制。
文章基于作者半年的深度使用经验，详细剖析了 Claude Code 的六层架构体系。内容涵盖底层运作原理、上下文工程与治理成本、Skills 与 Hooks 的设计模式、Subagents 的隔离策略以及 Prompt Caching 的核心影响。文章指出 Claude Code 的核心是代理循环过程，并提供了针对工具设计、反模式规避及成本优化的实战指南。
作者基于三个月 Claude Code 使用经验，总结出9条关于上下文窗口管理的最佳实践。核心观点是将上下文视为有限的“白板”，通过计划模式、子代理、CLAUDE.md 规则维护、并行会话及 Skill 封装等策略，有效管理 AI 注意力，避免模型变笨和无效返工，从而显著提升开发效率。
本文深入介绍了 OpenClaw（简称“龙虾”）的多 Agent（分身）使用策略。作者阐述了为何需要分身（上下文隔离、并发效率、节约成本、安全权限），并详细演示了四种分身模式：拥有独立职责的静态分身、用完即弃的动态分身、话题隔离的平行宇宙分身以及执行定时任务的分身。文章还对比了不同模式的记忆与人设机制，并提供了具体的配置步骤与架构优化建议。
