构建 Agent 技能的自我改进循环
本文介绍了如何通过“自我改进循环”提升 Agent 的技能质量。作者以 Issue 分类为例，展示了如何构建双层循环架构：内层循环负责执行具体的分类任务，外层循环则根据人工反馈自动调整技能代码。利用 GitHub Actions 和云代理平台，系统能持续从历史交互中学习并优化自身。
相关文档
Agent 工作流构建：Skills + Interpreters 实践
本文介绍了“解释器技能”的概念，这是对 Agent 技能的扩展，允许在技能中包含 TypeScript 模块。Agent 可以在行为适用时导入并运行这些代码，就像执行工作流一样。这种机制结合了 SKILL.md 的指令逻辑和解释器的代码执行能力，使 Agent 能够处理更复杂的任务，如生成子代理、调用工具，并确保关键流程的确定性和可复用性。
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。
如何将 Claude Code 打造成 24/7 开发团队（完整指南）
本文是一份详细的实操指南，介绍如何超越 Claude Code 的基础聊天功能，通过配置 CLAUDE.md、构建持久化记忆库（Obsidian + claude-mem）、安装特定 Skills 以及构建 Subagents 系统，将其升级为一个能够记住上下文、遵守规范且并行工作的全天候开发团队。
Claude Routines：利用自动化将 Claude 转变为部署型 Worker
Anthropic 推出了 Routines 功能，将 Claude 从对话工具转变为可在云端自动运行的 Worker。文章详解了 Schedule、API 和 GitHub 三种触发器，并提供了 PR 自动审查、告警分类、文档维护等 5 个实战用例。Routines 能自动处理重复性工作，让 AI 真正融入工程流程。
Top 67 Claude Skills That Turn a $20 Subscription Into a Full Dev Team
文章介绍了如何通过安装和使用 Claude Skills（技能文件夹）将 Claude 从简单的自动补全工具转变为全能开发团队。内容涵盖了从 Meta 技能管理、规划设计（如 PRD 撰写、代码审查）到具体代码开发（如 TDD、Bug 诊断、QA 测试）的 67 个实用技能，并附带了详细的安装命令和资源链接。
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 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。
浅谈 AI 进化史
作者以个人技术视角回顾了 2022 年底 ChatGPT 上线至 2026 年约四年的 AI 发展历程。从最初围绕聊天框的 Prompt Engineering，到 2023-2024 年 RAG、工具调用与工作流编排（LangChain、n8n、Dify、MCP）；2025 年 Codex CLI、Claude Code 等编程 Agent 兴起，本地部署与浏览器 Agent 出现，长任务催生上下文工程与 Harness 机制；2026 年 Skills 生态、OpenClaw 个人助手、多 Agent 协作与电脑操作能力成熟。文章梳理了从聊天框到完整任务执行系统的演进脉络，展示了 Agent 工具、技能与协作形态的迭代过程。
JevOps: 决策模型正在改变 DevOps 的早期信号
文章探讨了决策模型 Jev 在 DevOps 领域的早期应用，提出“JevOps”概念。DevOps 充满大量小型语义决策（如日志是否值得调查、告警是否严重、修复是否有效等），传统依赖确定性规则、分类器或 LLM。Jev 以低成本、低延迟的方式将这些语义决策直接嵌入运维系统。文章列举了多个案例：Cribl 探索遥测管道中的语义决策、Jev Logs 实现日志分流、Jevernetes 应用于 Kubernetes 日志、Datadog 将 Jev 用于生产环境 Agent 评估、SREGym 在 SRE Agent 旁构建第二评估循环、以及 Jev 对高风险动作的语义门控审查，展示了决策模型在各运维环节的广阔前景。
Codex 'RESET' 负责人 Tibo 深度访谈：Codex 是如何建成的？为什么选择开源？为什么与 ChatGPT 合并？
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。
The software factory stack
本文由 Zach Lloyd 撰写，详细介绍了 Warp Factories 的软件工厂基础设施栈设计。该栈基于开放、可组合、代码定义的原则，分为五层：Factories-as-code（工厂即代码）、Data and context（数据与上下文）、Compute（计算）、Inference（推理）和 Improvement（改进）。文章逐层阐述了各层的核心组件与设计理念，强调版本化、可测试、可回滚的工厂定义，以及支持多模型、多代理、自托管和持续改进的基础设施，旨在帮助团队向工厂模式转型。
Agent 工程解析（零）：什么是 Agent？
文章从工程视角系统讲解 Agent 概念：首先对比 AI 应用的三种形态——Chatbot（对话驱动）、Workflow（预设流程）与 Agent（ReAct 自主循环），分析各自优缺点及区分方法；随后给出最小 Agent 的循环伪代码，演示思考-决策-行动-感知的闭环机制；再梳理生产级 Agent 所需的八大能力模块，包括上下文管理、任务管理、记忆、连接器、Trace、容灾、编排与安全；最后探讨实际工程中三者混合使用的架构策略，如 Agentic Workflow、Workflow 包装为工具、前置路由分发等。
