我所知道的所有 Agentic Engineering 技巧
作者 Matt Van Horn 分享了他在“代理工程”（Agentic Engineering）领域的实战经验，这是一种利用 LLM 和自动化流程（如 Claude Code + Compound Engineering）来完成软件开发的新模式。核心技巧包括：立即生成计划、不要细读计划、将计划流程应用于非工程类深度工作、利用语音输入提升效率，以及通过多标签页并行处理任务。文章强调将工作重心从编码转移到规划，利用智能代理自动化执行。
相关文档
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。
Graph Engineering: 在一个窗口构建 1000+ Agent 循环的完整指南
本文介绍了 Graph Engineering 的概念，即从线性的 Agent 循环转向图结构的工作流。文章详细讲解了如何利用 Claude Code 的动态工作流功能，通过五个步骤构建并行处理任务的 Agent 图，以解决上下文限制和执行效率问题，并探讨了在扩展到 1000+ Agent 时可能遇到的挑战及解决方案。
Karpathy's Agentic Engineering Finally Has Proper Tooling
文章介绍了 Google 发布的 Agents CLI 工具，它填补了 Karpathy 所定义的“代理工程”中的工具链空白。该工具将脚手架搭建、评估循环和部署整合到一个工作流中，并将 7 种核心技能注入到 Claude Code、Cursor 等编码 Agent 中。作者演示了如何利用该工具从零开始构建、评估、部署并注册一个企业级 RAG Agent，实现了仅通过自然语言指令即可完成从开发到生产环境的全生命周期管理。
如何构建多 Agent 工作流：完全指南
本文是关于在 2026 年构建多 Agent 工作流的深度指南。文章对比了单 Agent 与多 Agent 系统的区别，详细解析了 Claude Code 的三种编排原语（子代理、团队、动态工作流）及六大核心拓扑结构（顺序流水线、协调者-工作者、并行发散、生成器-验证器、共享状态、辩论模式）。同时探讨了如何设计 Agent 间的通信、避免上下文污染以及处理系统失败模式。
Pi Coding Agent 最全面指南（完美支持/goal）
文章是一份针对 Claude Code 用户的 Pi Coding Agent 迁移与使用指南。作者对比了 Pi 与 Claude Code 的设计理念，指出 Pi 是一个更透明、可控且高度可配置的 Agent 底座。文章详细介绍了如何配置开源模型 Ring-2.6-1T，推荐了最小可用组件栈，列出了常见的配置陷阱，并通过构建现货-永续监控台的真实案例，阐述了在 Pi 环境下实施 plan-first + skill 工作流的重要性。
3 Highly Useful Hermes Skills
本文介绍了 AI Agent Hermes 的三个核心应用场景：获取并分析 X (Twitter) 洞察、自动化整理 X 书签以及基于外部记忆的自我反思。作者分享了使用 Hermes 提升学习与生产力的实践经验，包括利用 X API、Browser Harness 及 Hindsight 等工具的具体配置，同时也提及了关于 Token 成本管理、模型选择及安全隐私（如 API 权限）的踩坑记录与实用建议。
你可能不再需要 workflow，大部分场景 skills 足矣——五步框架把 Workflow 变成可进化的 Skill
文章通过对比传统 Workflow 编排与 AI Agent + Skills 架构，提出大部分场景下后者可以取代前者。作者提出了五步框架（拆分、编排、存储、分摊、迭代），并结合自身写作工作流演示了如何利用 Claude Code 的 Skills 功能构建可进化的自动化系统。文章还回应了关于稳定性、成本和门槛的三大质疑，指出 Skills 在灵活性、可维护性和自我迭代方面的显著优势。
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。
学 AI，上名课：先从这 10 门课开始
作者逐一核对了 10 门免费或部分免费的 AI 学习课程，并按学习阶段分为四站：零基础入门（吴恩达 AI for Everyone、Google 生成式 AI 路径）、提升 AI 使用能力（OpenAI Prompting 指南、Karpathy How I use LLMs）、补编程基础（哈佛 CS50x/CS50P/CS50AI）、动手实践（微软 Generative AI for Beginners、Claude Code in Action、n8n 搭 AI Agent）。每门课均附出品方、时长、费用、证书等详细信息和链接。作者建议不必全学，根据自己的阶段挑选两门深耕即可。
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。
很多提示词和 Skill，其实都已经过时了
作者基于 Anthropic 工程师删除 Claude Code 80% 系统提示词却无性能损失的事实，反思提示词与 Agent Skill 的实践方法。提出提示词不是八股文，应聚焦任务三要素（目标、规则、完成标准），减少角色铺垫和冗余规则，多给思考方向而非僵硬示例，并设定明确验收标准。关于 Skill 沉淀，强调只有高频且流程稳定的任务才值得做成 Skill，要写入独特经验而非通识废话，严格控制单一职责与边界，主文件精简并渐进式加载，且必须内置自检环节形成质检闭环。
