Ruflo：将 Claude Code 转变为多 Agent 平台的实践与架构解析
Ruflo 是一个为 Claude Code 构建的“神经系统”和分层运行时，旨在提供 HNSW 向量记忆、100+ 专用 Agent 以及多智能体群集协调。文章详细介绍了其基于 MCP 的工具表面、联邦通信机制和自学习架构。同时，基于项目最新的 ADR 审计报告，分析了 Ruflo 在功能实现上的真实进展，指出了记忆层已可用而部分执行层（如神经网络预测、工作流运行时）仍处于存根状态的现状。
相关文档
The Anatomy of a Claude Code Bill
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。
AI Agent Engineer 2026：七大支柱与12步学习路线图
作者提出2026年AI Agent工程师的12步路线图，围绕决定Agent成败的七大支柱展开：上下文、工具、记忆、循环、图、Harness与评估。文章指出Agent失败的核心原因是上下文膨胀、循环不收敛、缺乏评估。前半部分详细讲解上下文工程（如Claude Code启动即加载约7850 token、精简系统提示、CLAUDE.md分层管理）、工具与MCP设计（用类型代替示例、延迟加载）、记忆管理（计划文件、主动压缩）等内容，强调七者是同一技能的不同投影，需按依赖顺序学习。
Claude Code 在大型代码库中的运作方式：最佳实践与入门指南
文章探讨了 Claude Code 在处理数百万行级单体仓库及遗留系统时的成功模式。区别于传统 RAG 工具的嵌入索引滞后问题，Claude 采用本地代理式搜索实时导航。核心论点指出，工具链生态（CLAUDE.md、钩子、技能、LSP 集成等）的重要性远超模型本身。文章详细解析了七大扩展点，并建议通过渐进式配置与插件分发来提升在大型复杂代码库中的协作效率。
Claude Code新版本 + CodeGraph + MCP 组合拳！大型代码库直接起飞！
文章介绍了Claude Code 2.1.142、CodeGraph与MCP的“组合拳”方案，有效解决了大型代码库探索中tool call过多、上下文爆炸等问题。通过CodeGraph构建语义知识图谱，结合MCP持久化记忆与新版优化，实现了Tool call减少92%、代码探索速度提升71%的显著效果，并提供了详细的安装配置流程与实战场景指南。
单Agent编程是场噩梦：多Agent工作流实战指南
文章指出依赖单个AI Agent进行编程效率低下且容易失败，主要归因于对单一Agent期望过高及任务分解不足。作者通过对比单Agent与多Agent工作流在Codex Spark等平台上的表现，证明多Agent架构能显著提升效率、降低错误率。文章详细介绍了以Orchestrator（主管）和Subagents（执行者）为核心的“后厨”模式，并列出了五个实用模式，如并行执行和分步验证，展示了多Agent系统在扩展上下文窗口、增强流程控制和提升处理速度方面的巨大优势。
从执行到记忆：gstack + Compound Engineering 实现 Agent 持续进化
文章分析了 Anthropic 的 Agent Harness 架构，并介绍了 Jason Zuo 如何使用 gstack 和 Compound Engineering (CE) 构建了一套完整的工程工作流。CE 替代了 Superpowers，提供了更深入的规划和审查机制。最关键的差异在于 CE 的 /ce:compound 功能，它通过独立 Agent 将每次开发的经验转化为结构化的项目记忆，实现了 Agent 的自我优化与积累，形成了从规划、执行、审查到记忆的完整闭环。
Claude Code 工程化最佳实践与架构指南
本文系统性地介绍了 Claude Code 的工程化实战知识库，涵盖了从基础配置到高级架构设计的方方面面。内容解读了创建者的定制技巧，深入解析了 Command、Agent、Skills 的核心架构与 Memory 作用域，并针对 Monorepo 场景提供了上下文管理策略。文章还总结了上下文管理、Agent 设计、调试方法及权限安全的实践经验，并分享了如何利用高级 API 特性（如程序化工具调用、动态过滤）来显著降低 Token 消耗并提升准确率。
Claude Code 团队如何进行代码评审
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。
Agent 高频题 03. 为什么要多 Agent：怎么拆、怎么通信、结果谁汇总
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。
What is a "harness"?
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
给 AI 最大的执行权限，但把爆炸半径压到最小：我在 Startup 落地 Coding 工作流的半年迭代
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。
超简单 PI Agent，入门到精通，个人智能体的王者
本文是一篇面向新手的 Pi Coding Agent 全面入门教程。Pi 是一个跑在终端里的极简 AI 编程智能体框架，定位为'最小智能体外壳'：内核只保留基本工具循环，计划模式、子智能体、权限系统等能力全部拆给扩展。文章详细介绍了安装方式（官方脚本、npm、Nix）、界面与常用快捷键、模型配置、四种使用模式（交互、打印/JSON、RPC、SDK）、技能/扩展/提示词模板/主题的扩展体系，以及树状会话管理。作者重点总结了七个常见坑：无内置权限系统需容器隔离、默认无 plan mode、npm 不锁传递依赖、grep 等工具默认关闭等。Pi 支持 15 家以上模型商，MIT 协议，与 Claude Code、Codex 是两条路线：要开箱即用选成品，要可自由定制的个人智能体选 Pi。
