2026年AI工程师的核心技能：Loop（循环）工程
文章探讨了2026年AI工程范式的转变：从单纯的“提示词工程”转向设计自动化的“循环系统”。OpenAI与Anthropic的专家指出，工程师的角色已变为编写控制Agent的循环。文章深入解析了循环工程的定义、单体Agent与编队模式的区别，以及开放式与封闭式循环的差异。此外，文章重点讨论了循环模式带来的高昂Token成本问题，指出DeepSeek等低成本、大上下文的中国大模型是解决这一经济瓶颈的关键。
相关文档
为什么顶级 AI 工程师不再写提示词：Loops 与 Harness 的崛起
文章指出，AI 交互方式正在从单一的“提示词”转向“循环”。顶级工程师不再手动编写 Prompt，而是设计自动化循环，让智能体自我迭代直至任务完成。以 Slate 工具为例，介绍了如何通过编写 JavaScript“程序”来掌控循环逻辑，实现多模型并行处理和真实世界交互，从而构建更强大的智能系统。
OpenAI 工程师的 9 条 Codex 用法，DeepSeek 用户也能用
文章介绍了 OpenAI 工程师 Jason Liu 分享的 9 条 Codex 高效工作法，包括持久线程、共享记忆、语音输入、实时纠偏、操作电脑浏览器等。这些方法将 Agent 从单纯的聊天工具转变为能记住上下文、主动执行任务并操作真实应用的长期资产。作者指出，这套通用的 Agent 逻辑不仅适用于 Codex，通过 OpenCode、Playwright 等工具，在 DeepSeek 环境下也能完美复现。
深入解读 Harness Engineering：AI 工程的第三次范式转移
Anthropic 和 OpenAI 几乎同时发布关于 Harness Engineering 的文章，引发 AI 社区热议。本文梳理了从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering 的演变，解析了 Anthropic 的“生成器+评估器”循环架构与 OpenAI 的“百万行代码零手写”分层实践，并结合多位博主的观点，探讨了 Agent 时代工程师角色的转变与未来工程实践的方向。
OpenAI Dots: 7x24小时运行GPT-6 Astra，成为只做监督的独立开发者完整指南
文章介绍如何在OpenAI发布Dots常驻Agent和GPT-6 Astra（百万token记忆）后，搭建一个24/7自主运行的AI工作流。核心难题是常驻Agent会高频产生大量简单决策，用前沿模型成本高昂。解决方案是TypeSafe推出的System One模型Jev：它只能输出结构化决策（是/否、选择、评分）并附带置信度，单价仅$0.042/百万token，使百万次决策成本约$42。文章展示了将Jev作为低层决策器、Astra作为高阶思考引擎的组合架构，让独立开发者从写代码转变为定义任务、设限并审核产出的监督者角色。
How to Build a Multi-Model Team of AI Agents in 2026
本文介绍 2026 年构建多模型 AI Agent 团队的完整方法。作者指出使用单一模型会导致高成本低效、专业能力受限以及单供应商故障/盲点风险，主张按任务步骤选择合适模型。文章梳理了 2026 年 9 月的主流模型阵容（Claude Opus/Sonnet/Haiku/Fable 5.1、GPT-6 Astra、TypeSafe Jev）及定价，提出五层架构：路由器、编排器、专家模型、评审者（critic）和纯代码层，并讲解如何先对工作负载分类（决策、简单生成、真实工作、难题），再为每层选择最划算的模型。文中附有统一封装多供应商 API 的示例代码，涵盖 effort 参数与 thinking block 处理细节。
Loop Engineering + Jev Engineering: Cut Your Claude Bill
本文介绍如何通过'循环工程'降低 Claude 自动化的 token 开销：将队列检查、重复判断等高频决策从主对话中剥离，交由专用代码路径和 TypeSafe AI 的决策模型 Jev 处理。Jev 提供 Choice、Noul、Score 三种类型化问题原语，返回带概率的结构化答案，成本低至每百万输入 token $0.042。文章以 issue 分类过滤为例，给出完整的 Python SDK 实战代码，展示如何构建可检查、可扩展的任务路由过滤器，让 Claude 专注于实现工作，应用代码控制任务流转。
高级 Skill 不是更长的提示词，而是一套组合技
文章探讨了高级 AI Skill 的本质：不是把更多指令塞进一份文件，而是把多个单点能力按任务关系编排组合。作者通过分析 GitHub 上多个热门 Skill 仓库，总结出五种组合模式：路由（判断调用哪个 Skill）、顺序（强制工作流程）、选择（按需分诊组合）、流水线（专业能力交接）和分层（Skill 与系统能力分工）。文章提出组合 Skill 的五个核心零件：路由、输入输出契约、顺序与并行、上下文状态、验证反馈，并建议从真实返工中逐步长出组合关系。核心观点：Prompt 让 AI 听懂一次需求，Skill 固化一类做法，而组合 Skill 才能把复杂任务交付出来。
区分有效 Skill 与空谈文章的 9 条原则
作者提出九条原则，帮助判断 Agent Skill 是否真正有效，覆盖 Skill 生命周期三个阶段：被选中、可靠执行、经受现实检验。核心观点包括：元数据描述是触发与否的关键入口；上下文是共享预算，需渐进式加载；流程与检查点优于长篇散文；规则应解释原因以应对边缘情况；预先记录并反驳模型常见的跳过理由；确定性逻辑写成脚本代码而非依赖推理；严格限定修改范围；Skill 会随库更新和约定变化而腐化，需版本化管理；上线前必须用真实用例运行验证，从观察到的行为而非想象中调试。
GPT-6 来了，OPC 开始给 Agent 排夜班
文章介绍 OpenAI 发布的 GPT-6 Astra：它能直接操作电脑、跨上下文保留记忆、在缺信息时继续推进任务，AutomationBench 成绩从 18.1% 升到 41.4%。作者提出'Agent 夜班'工作方式——睡前把边界清楚、易撤回的长任务交给 Agent 并行运行。随着执行时间变便宜，瓶颈转向人的验收能力，因此需要权限分级、明确任务七要素（目标、完成标准、自主范围、确认节点等）以及长期记忆管理。未来个人 OPC 将像小团队一样管理多个 Agent，上限取决于把机器工作组织成可信结果的能力。
Grok bot 实测分享：如何打造云端小红书、公众号工作流
作者分享深度训练 Grok Bot 搭建自媒体内容生产工作流的实战经验。核心方法是只与总助（马斯克角色）对话，由其协调情报、运营两个岗位，通过六步流程完成重训：继承登录态等可用资产、明确岗位职责分工、基于旧稿分析风格后进行每日选题、预先训练多套文风档案并以短码调用、外挂云端模型处理长读任务并建立使用规则，最终跑通从选题到成品文案的完整自动化流水线，验证了像管理真实团队一样训练 AI 岗位的可行路径。
You need to be skillsmaxxing
Remy, from AI with Remy, shares how he runs his company on agent skills, treating them as SOPs for AI. He explains the concept of skills as markdown files that package workflows, and the problem of AI being single-player. The solution is to store skills in a GitHub repo and distribute them as plugins via Claude Code or Codex, enabling team-wide sharing, version control, and auto-updates. He also discusses designing skill chains, a self-improvement loop for skills, and a web app layer for managing them. The key takeaway is to centralize skills, use plugins for distribution, and continuously improve them.
The GitHub repositories that turn one AI engineer into a team of five. Here's the full list.
本文介绍了一套由五个开源仓库和Kimi K3模型组成的AI开发系统，该系统能让单个工程师实现五人的工作效率。文章详细说明了每个仓库的功能和它们如何协同工作，包括Kimi Code作为AI高级工程师、Kimi Agent SDK作为管理层、OpenAI Agents SDK用于构建多智能体工作流等。作者强调，顶级AI公司的工程师已通过此类系统实现自动化，并提供了具体的搭建方法和代码示例。