AgentOS 宣布在其 Alpha 版本中增加对 Claude Code (通过 Claude Agent SDK)、LangGraph 和 DSPy 的支持。文章阐述了 AgentOS 如何作为生产级后端，统一管理不同的 Agent 架构，提供数据库持久化、多租户认证、RBAC、可观测性和水平扩展能力。作者区分了 SDK（如 Agno）与 Harness（如 Claude Code）的区别，并指出构建面向用户的 Agent 产品必须将会话、循环和沙箱分层管理。
文章介绍了一种递归自动改进智能体（RAI）的方法。通过使用编码智能体分析指令、挖掘使用数据并运行探测，测试并修复目标智能体，直到符合规范。文章详细阐述了实现该循环所需的系统设置、平台搭建步骤以及“创建-改进-扩展-部署”的全新开发生命周期。
文章介绍了 Anthropic Claude Code 团队的代码审查实践，以及作者团队自研 AI 代码审查工具 HeyDeer 的落地经验。核心思路是：AI 写代码占比接近 100% 后，人工逐行审查不再可行，应把人的注意力留给真正有风险的部分。做法包括按风险分级审批（低中风险由 AI 自动批准，高风险由人判断方向）、多模型交叉审查降噪、用仓库检查落实团队规范、通过 Autopilot 自动修复问题直至收敛。作者团队跑了 8 个月未因合并有 bug 的代码导致线上事故，认为大部分创业和中小公司都适用这种方式。
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
作者分享了在创业公司落地 AI Coding 工作流半年来的实践迭代。核心思路是给 Agent 最大执行权限同时控制爆炸半径：使用 Claude Code 作为主力 Agent 配合 matt Skill 与项目 MCP；通过 git worktree 物理隔离多个并行 Agent 的工作区；坚持计划先行，动代码前必须产出完整 Plan 并用状态文件持久化进度；测试上人机分工，AI 在 DEV 环境完成正反用例自测，人类只验收业务效果；通过 PR 规范、GPT 对抗性 Review、CI 自闭环守住质量防线；用 PostHog Feature Flag 实现秒级回退止血；并以部署看板巡检日志、三层文档体系（CLAUDE.md、rules、specs）作为长期记忆，实现生产级 AI 高速开发。
作者分享了一套不依赖云端账号的本地 AI 工作流架构，核心思路是把规则、技能、日记等真正有价值的资产沉淀在本地硬盘，而非网页端/App 的记忆功能中。整套体系分为四层：工具层（Claude Code、Codex、Cursor 作为入口）、模型层（可随时更换）、架构层（本地文件结构）、处理层（按本地规则和技能处理任务）。作者通过全局规则文件（CLAUDE.md）、本地 skills 目录、按日短记忆 + 长期偏好文件、AI 日记四层文件体系，实现了账号封禁后快速恢复工作的能力，并提出新人可先从三步最小方案入手搭建。
文章介绍如何零成本利用 Grok Bot 背后 8 核 Xeon、16GB 内存的美国原生云电脑，结合 Tailscale 组网与 Funnel 公网穿透、Orca ADE 多 Agent 调度平台，搭建一套稳定的多端互通 Claude Code 运行环境。全程由 AI 完成绝大部分配置，人类只需点击授权，包含 5 个核心步骤：准备 Orca 环境、Tailscale 组网穿透、守护进程保活、双端配对、接入 Claude Code 联动 GitHub。作者还分享了手机分流规则、Tailscale 版本 Bug、DNS 缓存等实战排错经验，实现手机监控、电脑接管、Grok 双向编排的多 Agent 工作流。
文章介绍从本地交互式 Agent 向云端自动化软件开发过渡的三阶段策略：Crawl（爬）、Walk（走）、Run（跑）。Crawl 阶段通过云端 Agent 构建简单自动化，如 issue 分诊、代码评审、CI 自愈、文档更新和 bug 修复，风险低且有助于积累经验。但这些点状方案存在上下文不共享、缺乏全局指标和运维负担重等局限。Walk 阶段则需要整体性的云端软件工厂方案，包括云端默认开发、集中治理、完整审计追踪、模型与 Harness 的可选性、与现有工具集成，以及共享上下文层和评估体系。作者建议通过在简单项目上端到端部署首个工厂作为关键里程碑。
本文是 pstack 指南第二部分，介绍作者用 agent 进行调研、规划、原型和架构的工作流。核心观点是通过 /teach、/recall、/how、/why 等 skill 建立并保持对代码库的心智模型；用「readme 驱动开发」和 /technical-writing skill 以代码和文档形式规划；用 prototype 剧本并行生成多个方案让 agent 以实证回答开放问题；用 /architect 多阶段流程跨模型家族竞争设计并交叉评判。作者强调抽象计划只给人进步的幻觉，应让 agent 通过原型和验证自己回答问题，从而每月将数千个 PR 推进生产并保持高质量。
本文是对 OpenAI Codex 团队负责人 Tibo Sottiaux 的深度访谈编译。访谈回顾了 Codex 从内部研究项目成长为热门 AI 编码工具的历程，详解三个反直觉决策：用 Rust 编写、全面开源、模型无关。核心洞察包括“harness 永远领先模型一点”的拐杖理论，以及 AI 重写软件开发生命周期：代码评审自动化、维护成本坍塌、意图讨论成为人类评审核心。还介绍了 Codex 与 ChatGPT 合并的架构工程、未来混合执行环境，以及 Tibo 对工程师职业发展的建议。
本文面向工程负责人，讲解如何为产品构建 AI Agent 并部署到三个渠道：产品内聊天界面、作为 Claude/ChatGPT 的连接器、以及 Slack 工作区。作者提出 v0 Agent 由模型、工具和指令三部分组成，并强调应自己掌控 Agent 编排而非简单暴露 API。随后介绍 v1 的改进：会话连续性、上下文精简、接入产品知识库、用户学习与历史会话搜索。最后通过 Agno 的 AgentOS 将 Agent 封装为 REST API 产品，支持流式输出、会话管理、数据隔离与后台执行，帮助产品解锁新的分发和收入机会。
本文是 Anthropic 官方博客《The AI-Native SDLC Playbook》的中文译介，作者 DUOROU LIU。文章指出当 AI 让代码编写不再是瓶颈时，传统软件开发生命周期（SDLC）的审批、评审和交接环节反而拖慢效率。AI 原生 SDLC 保留原有控制目标，将 AI 智能体嵌入计划、设计、开发实现、测试、部署和维护六个阶段，形成持续循环：各阶段以版本控制的产物（intent.md、spec.md、plan.md、代码差异、评审结果）衔接并自动触发下一阶段，人的判断保留在关键节点。文章详细介绍了各阶段的具体实施步骤、治理考量和衡量指标。
本文基于对45人工程团队30天的Claude Code使用追踪，剖析了其账单构成：真实用户提示仅占输入token的14%，其余为静态系统开销、CLAUDE.md与Skills、MCP服务器schema、工具结果回放及历史上下文等配置性开销。文章指出Uber等大规模部署中人均月支出高达500-2000美元，并介绍了Comet在Opik中推出的Cost Intelligence代理插件，通过token级可观测性帮助团队识别浪费，15分钟审计可削减20-40%账单。
