写好一份 Spec 的实战手册
本文属于「AI 时代的编码新范式」系列，旨在解答在 AI Agent 开发中如何编写 Spec。文章首先厘清了 Spec 与 PRD、设计文档及用户故事的区别，指出 Spec 应定义软件行为而非描述需求。接着提出了 Spec 的五要素：目标、约束、边界、验收标准和技术上下文。最后倡导从三句话开始，将 Spec 视为随项目生长的活文档，以提高 Agent 开发的准确性和安全性。
相关文档
Lyft联合创始人使用Claude Code构建的九条规则
本文介绍了Lyft联合创始人Matt Van Horn在不读写代码的情况下，利用Claude Code和Codex构建开源项目并登顶GitHub Trending的九条规则。规则包括快速发布、编写计划、信任Agent、优化使用成本、提供CLI工具、让工具自记笔记等，展示了非程序员如何高效利用AI进行开发。
BestBlogs 早报 · 07-29｜MCP 无状态化与多智能体编排成本
本期早报探讨 MCP 协议的无状态核心变化与 Claude 的生产化接入，分析 Codex 与 ChatGPT Work 共用的执行框架差异，并审视多智能体并行中上下文搬运的隐性成本“编排器的税”。同时涵盖图工程、vLLM 商业化及 Uber 零增长架构等速览内容。
How to master graph engineering
本课程教授如何构建 AI 智能体图，涵盖图的基本概念、关键模式（如菱形模式）、停止规则及人工审批环节。包含三个实战案例：深度研究台、SEO 内容生成器和市场推广套件，旨在提升业务效率并控制成本。
构建 Agent 基础设施的真实挑战
文章探讨了构建 Web Agent 基础设施（如浏览器池、隔离机制、观测性等）所面临的复杂性与工程挑战。作者指出，这远不止是启动一个浏览器，需要处理冷启动、安全隔离、资源调度等深层问题，并分析了自建与购买的权衡。
个人开发者的生产级 AI 堆栈
文章探讨了 AI 时代单人开发者面临的挑战，指出虽然 AI 加速了从想法到原型的过程，但并未解决从原型到生产环境的安全和运维问题。通过分析失败案例和成功者（如 OpenClaw 作者）的实践，强调了建立构建循环、防御层和自动化运维系统的重要性。
Spec 对话模板：你给 agent 发的第一份 8 项清单
文章提出了一种结构化的 Agent 沟通协议“Spec”，包含目标、完成标准、约束等 8 项必填清单。通过明确协议而非单纯依赖 Prompt 技巧，可显著降低 Token 消耗，提升任务一次性完成率，避免 Agent 猜测与无效返工。
角色重构——工程师从「写代码的人」变成「编排 Agent 的人」
本文探讨了在 AI 时代，工程师角色的根本性转变。通过 OpenAI、Spotify 等案例，指出工程师正从「写代码的人」转变为「编排 Agent 的人」。文章详细阐述了新角色的四个维度：设计约束、编写 Spec、构建 Harness 和审阅产出。团队结构也随之重组，从按技术栈分工转向按 Spec/Review/Harness 流程分工。
为什么你学了很多 Agent 工具，还是做不出真正可用的 Agent？
文章指出许多人学习 AI Agent 时陷入了“工具焦虑”，盲目追逐 LangChain、MCP 等框架，却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调，真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束，而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning，主张从 LLM 基础、Prompt 等底层原理开始，逐步构建从基础到工程化的完整知识体系，最终实现 Agent 在真实环境中的稳定运行。
设计 Agent 提示循环的完整指南
文章深入探讨了为何单一提示词不足以完成复杂的 AI 任务，并详细介绍了如何设计一个能够自主运行直到任务完成的“循环”。作者提出了构建循环的五个核心步骤：定义“完成”标准、构建上下文而非指令、让 Agent 行动并捕获结果、利用反馈闭合循环、以及设置停止条件。文章强调了从手动编写提示词转向构建自动化规则系统的重要性。
Skill 工程化指南：解决不稳定与高 Token 消耗
文章指出 AI Skill 在应用中常因大模型的不确定性导致运行不稳定和 Token 消耗过高。作者提出应将确定性流程（如固定代码、参数）沉淀为脚本，仅让大模型负责逻辑判断与调度。通过视频字幕处理案例，详细演示了四步工程化法，并提供了可直接复制的工程化提示词，帮助用户实现流程稳定化与成本优化。
Builder's Guide: How to Ship your First Product using AI in 2026
本文是一份面向开发者的 AI 产品构建实战指南。作者指出，仅将 AI 作为自动补全工具在复杂项目中会失效，真正的变革在于构建一套可复用的 'Harness' 系统。文章详细介绍了如何通过 .agent 目录结构（包含 AGENTS.md、SKILLS 等）将任务规格转化为可执行的软件，涵盖从规划、实现到验证的核心循环，并提供了适用于 SaaS、MCP 服务及 iOS 应用的通用工作流模板。
10万 Star开源库 agency-agents 详解：给AI装上专家团队
文章深入解读了 GitHub 上的热门开源库 agency-agents。它并非独立的 AI 应用或平台，而是一套“AI 专家角色模板库”（Prompt 模板）。其核心价值在于将 AI 的角色标准化，通过定义前端、后端、产品经理等不同“工牌”，解决通用 AI 角色不稳定的问题。该库支持 Claude Code、Cursor 等多种工具，将 AI 从“泛泛聊天”转变为“专业干活”，是理解 Agent 工作流设计的优秀案例。
