如何使用 Kimi K3 构建你的第一个 AI Agent 循环
本文介绍了如何利用 Kimi K3 模型的高性价比缓存机制构建 AI Agent 循环，包含原理图解、Claude Code 配置及原生 API 代码示例。文章详细阐述了目标设定、自动化检查、成本控制（低至 $0.39/轮）及常见避坑指南，帮助开发者实现自动化代码修复任务。
相关文档
Adopting the software factory model: crawl, walk, run
文章介绍从本地交互式 Agent 向云端自动化软件开发过渡的三阶段策略：Crawl（爬）、Walk（走）、Run（跑）。Crawl 阶段通过云端 Agent 构建简单自动化，如 issue 分诊、代码评审、CI 自愈、文档更新和 bug 修复，风险低且有助于积累经验。但这些点状方案存在上下文不共享、缺乏全局指标和运维负担重等局限。Walk 阶段则需要整体性的云端软件工厂方案，包括云端默认开发、集中治理、完整审计追踪、模型与 Harness 的可选性、与现有工具集成，以及共享上下文层和评估体系。作者建议通过在简单项目上端到端部署首个工厂作为关键里程碑。
Why I open-sourced my software factory
作者维护开源软件工厂 OpenInspect，解释为何开源而非商业化销售。他认为软件工厂是将信号（issue、Slack 消息等）转化为成果（PR、修复、答案）的 AI Agent 基础设施。将其作为产品出售困难重重：沙箱和模型推理等核心组件已被商品化，各组织需求差异大。真正的价值在于组织流程——代理路由、知识分发、系统改进、成本优化和 Token 支出的 ROI 归因，这些都需要与公司组织结构深度匹配。作者曾为 10 到 500 人规模的团队部署此类系统，认为软件工厂会成为关键基础设施，应由企业自持，因此选择开源以让团队专注于组织层面的问题。
The Anatomy of a Claude Code Bill
本文基于对45人工程团队30天的Claude Code使用追踪，剖析了其账单构成：真实用户提示仅占输入token的14%，其余为静态系统开销、CLAUDE.md与Skills、MCP服务器schema、工具结果回放及历史上下文等配置性开销。文章指出Uber等大规模部署中人均月支出高达500-2000美元，并介绍了Comet在Opik中推出的Cost Intelligence代理插件，通过token级可观测性帮助团队识别浪费，15分钟审计可削减20-40%账单。
我的第一个macOS App上架了：AI全链路开发与过审实录
作者分享了其首个macOS App“花录”（一款带有自动运镜和光标平滑功能的录屏工具）的上架过程。借助Kimi K3和Claude Code等AI工具，作者高效完成了App重构、性能优化及全套App Store审核素材的制作与提交。面对苹果拒审，AI自主修复了底层漏洞并完善了合规备注，最终助力App成功免费上架。文章展现了AI Agent接管应用开发与上架全链路的强大潜力。
如何让你的 AI 智能体能力提升 100 倍
文章探讨了如何通过建立完善的评估系统来防止 AI 智能体随着时间推移而性能下降。作者提出了利用文件夹结构和特定提示词记录规则、错误和边界情况的解决方案，将模糊的“感觉”转化为具体的测试用例，从而确保智能体持续高效工作。
使用 Kimi K3 构建公司操作系统的指南
本文详细介绍如何仅利用 AI Agents 和 Kimi K3 模型构建完整的公司操作系统。文章阐述了公司 OS 的核心要素，包括词汇表、数据源、心跳机制及操作界面，并提供了具体的构建原理和 Prompt，旨在解决多 Agent 协同中的状态管理和权限控制问题。
构建 7-Agent 软件工厂：Claude Code 高效开发指南
文章指出了当前 AI 辅助编程中“Vibe Coding”的痛点，即单一 AI 会话承担过多角色导致错误累积。作者提出了“软件工厂”的解决方案，通过构建包含代码库研究员、需求撰写者、规格撰写者、后端/前端构建者及测试验证者的 7 个专业化 Agent，将任务拆解并隔离。这种结构化流程利用 Claude Code 实现了自动化且高质量的功能交付，彻底改变了单人监督 AI 的低效模式。
Your .claude Folder Is Your AI Operating System
文章深入探讨了如何充分利用 Claude Code 的能力，指出真正的规模化不在于优化提示词，而在于构建围绕 Agent 的工程系统。核心内容包括利用 `.claude/` 目录建立持久化项目记忆、区分项目与个人配置、使用模块化规则替代巨型提示词、通过 Hooks 拦截危险操作、构建专用子代理以及配置权限边界。文章强调未来的开发将从“聊天”转向“编排”，通过环境设计来确保 AI 行为的一致性与安全性。
Claude Code 高效实战指南：5个场景掌握50个命令
文章针对用户对 Claude Code 使用停留在初级阶段的问题，通过 5 个实战场景（上下文压缩、模型切换、低成本试错、任务隔离、工作流自动化）讲解了如何组合使用 Slash 命令。文章强调通过手动压缩上下文、动态切换模型、使用分支和代理等技巧，可以实现成本减半并大幅提升编程效率。
DeepSeek 替代 Claude Code 降本方案 & 18款浏览器自动化工具评测
文章首先介绍了 GitHub 项目 deepclaude，通过将 Claude Code 的内核 API 替换为 DeepSeek V4 Pro，实现了在保持性能的同时将 API 成本降低至 1/17，并支持无缝切换后端。随后，文章详细测评了目前主流的 18 款 AI Agent 浏览器和数据采集工具，按功能分为王者派、Rust 派、MCP 派等，并提供了针对不同场景（如自动化、MCP 接入、社媒爬虫）的选型建议。
How I Rebuilt My AI Agent Team After Anthropic Cut Off OpenClaw
文章作者分享了在 Anthropic 切断 OpenClaw 对 Opus/Sonnet 的访问后，如何重构其 AI Agent 团队的实战经验。为了弥补模型性格差异和访问限制，作者通过引入 Paperclip 作为工作控制平面，结合 Codex、OpenAI GPT-5.4、本地模型（Ollama）及 Tailscale 等工具，构建了一个包含语义记忆搜索、安全路由及任务分配的完整技术栈。作者强调，只有将运行时、控制平面和执行模型紧密结合，才能构建出真正可用的数字团队。
10大我希望早点知道的Claude code使用技巧
本文总结了作者半年多使用 Claude Code 的经验，分享了10个提升效率的使用技巧。内容涵盖三种启动方式（可视化、命令行特定历史、自动化无UI）、运行时的三个核心技巧（优雅终止回退、不离开窗口执行命令、上下文管理），以及通过 Superpowers、语音输入和窗口管理工具（Cmux、Vibe Island）来解决人机协同中的效率瓶颈，旨在帮助程序员实现丝滑的 AI 编程体验。
