构建自动纠错 AI 循环系统
文章阐述了如何构建一个自动纠错的 AI 循环系统，通过构建者、评判者和管理者三个角色的分离，以及利用真实标准进行验证，使系统能够在向用户展示结果前自行发现并修正错误，从而将人类从繁琐的人工验证中解放出来。
相关文档
The job description is not the AI architecture
文章探讨了为什么AI系统设计不应照搬人类职位描述。职位之所以是任务的捆绑体，是因为人类自带整体性且上下文迁移成本高昂，而AI改变了这两个前提。作者指出AI能力可以以更小的增量提供，需求可以早于职位存在。但拆分任务过细会让协调问题重新出现——每个Agent各自胜任不代表系统整体高效，设计接口和共享上下文变得至关重要。职位头衔仍有价值，让系统所有权清晰可读，但应从职责出发而非职位描述来设计边界。最后警告：被AI取代的重复性初级工作同时也是培养判断力的途径，学徒制将成为设计问题。
图工程：构建多智能体系统的完全指南
构建多智能体系统的核心挑战不在于提升单个智能体的能力，而在于如何协调工作流，这被称为“图工程”。文章指出，应将系统视为依赖图，区分真实依赖与虚假顺序，并引入结构化状态。同时强调要控制并行宽度以优化成本，关注关键路径以降低延迟。此外，建议在最终推理前使用代码进行确定性的数据压缩与归约，并采用非对称验证机制，从而打造高效、易调试的AI系统。
Harness Engineering：构建决定AI Agent可靠性的七层架构
文章指出，AI Agent的可靠性不取决于模型权重，而取决于周围的脚手架（Harness）。Harness分为七层：执行环境、工具接口、上下文管理、编排与生命周期、可观测性、验证和权限边界。这七层都是需要编写和版本控制的代码，而非模型属性。此外，Harness还分为由模型构建者提供的内部Harness和开发者自行组装的外部Harness。
Agent Harness Engineering vs Loop Engineering vs Graph Engineering
文章深入剖析了AI智能体系统中的三个常被混淆的核心工程层级：Harness工程构建模型环境，Loop工程设计反馈循环，Graph工程明确工作流拓扑。区分这三层对于构建可靠的AI系统至关重要。
如何构建自动纠错 AI 循环
文章介绍如何构建一个 AI 自我纠错系统，通过分离生成、判断和管理三个角色，避免人工介入验证。关键在于利用独立的标准（如测试套件）进行结构化验证，而非简单的重复提问，从而实现自动化错误捕捉与修复。
如何利用 Claude 构建高效的自动化循环系统
本文阐述了从编写 Prompt 设计循环系统的转变。文章指出循环系统包含自动化触发、Git Worktree 隔离、外部验证机制及持久化记忆等要素。通过分离执行与检查、设置硬性停止条件及人工审查阶梯，开发者可构建能够持续迭代并自主解决任务的 Agent 系统。
2026年AI用户必知的12层架构：构建可靠的AI智能体
文章提出了AI智能体的12层架构模型，旨在帮助用户理解AI工具的工作原理及失效原因。内容分为三部分：基础层（工作界面、智能体合约/规范、模型）、运行层（运行时状态、工具互操作性、执行表面）以及记忆与知识层。文章强调，只有理解了这些层级（如MCP协议、Agent间协作、多级记忆系统等），才能解决AI输出不稳定、工具选择困难及信任缺失等问题，从而将AI从演示带入实际工作流。
从零构建 LLM 架构：10 个实用经验教训
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
Context engineering: 构建卓越 Agent 的关键
文章探讨了“Context engineering（上下文工程）”作为构建优秀 AI Agent 的核心挑战与解决方案。相比于传统的 IVR 和预设流程，Context engineering 通过“渐进式披露”和条件逻辑，确保 Agent 在对话的每一个时刻都能获得最相关且最少量的信息。这不仅解决了模型处理大量 Token 时的性能下降和幻觉问题，还能让 Agent 充分利用大模型的推理能力，适应复杂的现实场景，并随着模型升级而自然进化。
代理系统架构实战：技能、代理与 MCP 的设计原则
文章探讨了如何构建可组合、安全且可维护的企业级 AI 代理系统。作者提出了一种三层架构：Skills（可复用的领域专业知识）、Agents（具有身份和工作流编排能力的协调者）和 MCP（数据连接层）。文章详细阐述了技能的“单一来源”编写原则、代理的标准化提示词模板（包含身份、交付物、工作流和护栏），以及如何通过明确的职责分离来实现系统的独立演化与安全管控。
Agent Skills：从通用智能到可执行能力的跨越
文章探讨了如何通过 Anthropic 提出的 Agent Skills 概念来解决大语言模型在实际应用中“执行”能力的缺失。作者指出，AI 不仅仅需要指令和提示词，更需要通过结构化的技能包来封装上下文、指导和执行逻辑。文章详细分析了技能的内部结构（如 SKILL.md 和可执行代码）以及“渐进式披露”在上下文管理中的作用，强调了从单纯的 Prompt 工程向系统设计与安全构建转变的重要性。
99% 开发者误解的 Claude 技巧：从对话到系统
文章指出了大多数开发者在使用 Claude Code 时仅停留在“对话”层面的误区，提出了将其视为“可编程推理引擎”的理念。作者详细阐述了如何通过构建“输入层-推理层-执行层-反馈层-记忆层”的系统架构，利用 Prompt Builder、自动化测试闭环和 CLAUDE.md 记忆机制，将 AI 从辅助工具转化为高一致性的生成系统。