用4300行代码复现Claude Code核心架构
本文介绍了一个项目，用4300行代码复现Claude Code的核心架构，包括Agent Loop、工具系统、并行执行等。提供分步教程，适合动手实践，帮助理解coding agent的工作原理。
相关文档
Agent 开发入门｜最小版的智能体 Supervisor
本文是 Agent 开发入门系列的实操篇，教读者用 88 行 Python 代码实现一个最小化的 Supervisor（主管）智能体。Supervisor 本身不干活，只负责拆任务、派活给手下 worker（coder 和 tester）、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异，详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念，并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明，最后引导读者扩展更多 worker 角色。
Agent 开发入门｜手写一个 Claude Code，机制很多循环就一个
本文是开源系列「Learn Claude Code」的介绍入口，该系列共 20 集，从 102 行代码的 while 循环起步，逐步拆解 Claude Code 的 20 个机制。核心观点是：智能体机制很多，但循环就一个。文章介绍了 20 集地图，分为骨架（循环、工具、权限、钩子、计划）、干得久（子智能体、技能、压缩、记忆）、干得多（任务系统、后台任务、调度）、组队（多智能体协作）和外接（MCP）五段，并给出 S01 的完整安装运行教程，包括环境搭建、API 配置（支持 GLM、DeepSeek 等兼容服务）和常见错误排查。
Auto Quant V2 教程 | 让 Codex/Kimi/DeepSeek 做量化
Auto Quant V2 发布，旨在将通用 Coding Agent 转换为全自动推进量化研究的 Quant Agent。它不绑定特定模型，通过 Harness 架构为 AI 提供长期工作的量化研究环境，支持自我进化，解决了 AI 编写代码但难以持续追踪量化研究的问题。
我花10分钟做了产品调研Skill，以后不用自己扒竞品了
针对运营同事使用通用AI生成竞品报告出现数据失真的问题，作者开发了一款名为 'ai-product-research' 的自动化调研 Skill。该工具利用 XCrawl 的 Search 和 Scrape API，模拟人类“先搜再抓”的逻辑，自动获取产品官网、GitHub 数据及社区评价，并在 2 分钟内输出包含定价、技术指标和竞品对比的结构化报告。文章实测了 Cursor 和 AIHOT，效果精准且成本极低。
用 Skill 和 yt-dlp 将 YouTube 视频转换为文章
本文介绍了一种利用编码 Agent（如 Claude Code）自动生成 Skill 的方法，实现 YouTube 视频到文章的高效转换。通过 yt-dlp 获取字幕并清洗，再利用大模型改写，将原本繁琐的视频转写工作自动化。文章详细解析了实现原理、Agent 编写 Prompt 的技巧以及进阶功能的扩展。
Matt Pocock 开源工程师级 Skill：专治 Claude Code vibe coding
Total TypeScript 作者 Matt Pocock 开源了其个人常用的 16 个 Claude Code Skill，GitHub 星标迅速突破 38k。这套工具主张“真工程师”模式，摒弃了 BMAD 等重流程框架，采用“小、可改、可组合”的 Unix 哲学。文章详细解析了针对 Agent 失败四大根因（需求模糊、啰嗦、代码报错、屎山）的解决方案，重点介绍了 CONTEXT.md 建立项目共享语言的方法，适合具备工程基础的开发者提升 AI 编码效率。
深度解析: Claude Code 51万行源码背后的5个炸裂发现
本文基于Anthropic误暴露的51万行Claude Code源码，深度解析了其背后的产品哲学。核心发现包括：通过四维记忆系统解决AI遗忘问题；Coordinator模式揭示了AI管理逻辑与人类管理的一致性；23道安全检查与YOLO分类器构建的安全体系；极致的Token缓存策略优化；以及KAIROS等未发布的隐藏功能。文章指出，Prompt和自然语言指令体系才是AI产品的真正护城河。
从零构建 Claude Code：AI 编程代理的实现原理
文章深入剖析了 Claude Code 背后的核心架构，指出其本质是一个“感知-行动-观察”的循环系统。作者演示了如何从简单的命令行脚本开始，逐步构建一个具备文件读写、精确编辑、代码库搜索及权限控制的 AI 代理。文章详细讲解了 Agent Loop（代理循环）、结构化工具调用、子代理上下文管理以及 CLAUDE.md 项目上下文等关键技术点，并最终提供了一个约 150 行的完整 Python 实现示例。
我评估了 369 个 Claude/CodeX AI 视频与自动化剪辑开源项目
作者系统整理了 369 个开源仓库清单，聚焦于能让 Claude Code、Codex 等编程 Agent 实现视频生成、自动化剪辑与代码动效渲染的工具、Skill 和提示词库。文章收录规则强调视频/动效产出、专供 Agent 调用、完整文档三大标准，并打破高星滤镜。重点介绍了四大现象级框架：lemo-opuscar（59 种风格引擎）、huashu-art-motion（艺术动画）、huashu-motion（商业发布片）、sweety-handdraw-video（手绘口播流水线），以及自动化剪辑、代码直出成片、数字人与音乐 MV 等垂直领域的硬核项目，最后给出 2026 年 AI 视频生产工具选型决策表。
AI 视频情报站开放 MCP，接上 Claude、Codex 每天替你找新选题
作者宣布其 AI 视频情报站正式开放 MCP 接口，支持 Claude Code、Codex 等 Agent 直接接入查询。文章介绍了接入方法（一条命令即可），并展示了几种典型用法：每天早上让 Agent 查询新起和升温的视频题材、查询某个题材的来源和时间线、追踪特定 AI 模型的动态，以及将情报站接入自己的工作流（如自动生成选题卡、晨会材料等）。情报站每天早上更新一期，提供题材归类、X 热议、开源项目、题材溯源等数据，同时说明了查询范围限制。不接 MCP 也可通过网页或开源版自行部署使用。
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。
每个人都有 AI 助手之后，团队还需要一个团队助理
文章探讨个人 AI 助手普及后团队协作面临的新问题：每人拥有 AI 不等于团队更聪明，因为各自 AI 上下文分散。作者引入 Team OS（团队操作系统）概念，将其抽象为 Context、Instructions、Skills、Connections、Governance 五类能力，并以 DoorDash 等团队实践为例，说明如何用共享 Repo、PR 审核机制建设团队助理。文章强调团队知识不再必须经由 PM 中转，AI 能力正在从个人资产转变为团队资产，建议从真实场景小范围起步，让团队助理从实际工作中生长出来。
