编程智能体的核心组件【译】
本文探讨了编程智能体（Coding Agent）及其运行框架的设计，重点介绍了模型、推理与智能体的区别，并详细拆解了六大核心组件：实时代码仓库上下文、提示词缓存复用、工具调用与安全验证、上下文压缩机制等。文章指出，优秀的 Harness 框架能将基础模型的潜力最大化，是编程智能体体验的决定性因素。
相关文档
重读 Agent 框架「pi」：对主流 Coding Agent 的反思与极简实践
本文分析了 Mario Zechner 开发的极简 Coding Agent 框架「pi」。文章分享了通用的 Agent 设计经验，包括保持提示词简洁、最小化工具集及文件化状态管理。同时详细介绍了 pi 的三层技术架构，以及其独特的反常规设计哲学，如采用 YOLO 模式、放弃 MCP 支持和内置 TODO，主张通过精简工具和增强可观察性来提升开发效率。
8 Software Books AI Has Made More Relevant
作者探讨了在AI能大量生成代码的时代，哪些软件工程书籍反而变得更加重要。文章推荐了八本书，覆盖从产品决策到交付的核心领域：《Escaping the Build Trap》强调构建正确的产品、《Specification by Example》统一需求理解、《Learning Domain-Driven Design》明确业务含义、《Software Architecture: The Hard Parts》权衡架构取舍、《Designing Data-Intensive Applications》理解数据保证、《Threat Modeling》识别安全威胁、《Release It!》应对生产故障、《Accelerate》改进交付流程。核心观点是：委派给编码Agent的实现越多，识别其决策是否合理的能力就越有价值。
AI Agent Harness 解析：为何智能体在生产环境中会崩溃
文章指出，许多所谓的“AI 智能体”实际上只是连接了工具的模型，演示完美但上线即崩。核心问题往往不在模型本身，而在于支持其运行的“Agent Harness”（智能体挽具/系统）。文章详细解析了 Harness 的三层工程架构（提示工程、上下文工程、系统挽具工程），阐述了编排循环、上下文管理及工具接口的实现机制。作者强调，真正的工程杠杆在于优化这个将无状态模型转化为行动能力的系统，而非盲目更换底层模型。
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。
Agent Harness 不是 while 循环：omp²《Harness Playbook》深度解读
本文深度解读 omp 作者 Can Bölük 的《Harness Playbook》，提出 Agent Harness 是系统软件而非简单循环的核心命题。文章系统阐述 omp² 的架构蓝图：以唯一权威会话（DOM 树）解决 rewind/fork/resume 的状态一致性；沙箱只执行不决策；Convar 管值、Director 栈管行为的控制面设计；将模型兼容性作为结构化知识的推理层；精简工具名册以提升性能的深度内建工具；基于 RichText 流原语与 TLA+ 验证的渲染层；以及 Rust 核心 + Python 扩展的技术栈选择。文章认为该文将 Harness 工程提升为可推理的学科，同时指出其激进设计尚待落地验证。
为什么 AI Agent 正在逐步“去 MCP 化”，重新拥抱 CLI？
文章分析了 AI Agent 领域从依赖 MCP 回归 CLI 的趋势。MCP 曾被视为 Agent 连接外部工具的标准方案，但在本地开发和工程自动化场景中，CLI 兞现成太、节省上下文、易于调试复现、具备 Unix 管道组合能力且更接近真实执行环境。作者认为 MCP 并不会消失，二者正在重新分工：CLI 成为 Agent 的本地执行层，MCP 回到标准化集成层，用于远程能力、结构化发现和跨平台复用。
How to Build An Agentic Harness using Kimi K3
文章指出AI模型正变得廉价且可互换，核心资产在于控制层（Harness）而非模型本身。作者提出了构建Agent控制层的三条核心法则：模型是消耗品而框架是资产、耦合要轻但框架本身要做厚、可调设置必须有代码级别的硬边界。文章详细拆解了构建可复用控制层的11个关键要素，并主张让框架去适应工作流而不是绑定特定的模型供应商，以适应快速迭代的AI技术格局。
Codex 进阶指南：作为 Multi-Agent 编排控制平面
文章深入探讨了 Codex 作为 Multi-Agent 编排控制平面的进阶用法。文章详细解析了 Codex 的对象模型、项目绑定机制以及多种执行位置。重点介绍了六种原生 Agent 拓扑结构，从单线程到混合层级团队，并阐述了如何利用子 Agent 进行上下文隔离和并行工作，以避免上下文污染。
Run Your Harness Outside of the Sandbox (Why and How)
本文探讨了2026年以来关于Agent运行位置的争论，指出行业趋势是将Agent运行在沙箱之外。作者详细解释了沙箱内运行的三个主要问题：爆炸半径、信任边界和沙箱的间歇性运行，并提出了将沙箱作为工具暴露的正确架构，最后提供了基于Vercel AI SDK的实现示例和生产环境中的挑战。
何为“掌控你的智能”
文章探讨了企业如何在通用 AI 基础上构建差异化优势。作者指出，未来五年公司需掌控智能的运作方式、管理与复利，而非仅依赖现成模型。掌控智能包括控制 Agent 系统（模型、调度逻辑、上下文）、掌控质量与风险，以及通过反馈循环积累智能，从而实现业务的深度集成与持续优化。
管理 AI 员工团队：Ryan Carson 的高效工作系统
Ryan Carson 分享了如何作为唯一员工，通过管理云端 AI Agent 团队日处理 40 个 Pull Request 的经验。文章详细介绍了将工作迁移至云端、建立工作节奏、将重复检查自动化以及控制 Token 成本四个关键步骤，强调在 AI 时代，优秀的工程管理能力比以往任何时候都重要。
