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。
相关文档
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。
The software factory stack
本文由 Zach Lloyd 撰写，详细介绍了 Warp Factories 的软件工厂基础设施栈设计。该栈基于开放、可组合、代码定义的原则，分为五层：Factories-as-code（工厂即代码）、Data and context（数据与上下文）、Compute（计算）、Inference（推理）和 Improvement（改进）。文章逐层阐述了各层的核心组件与设计理念，强调版本化、可测试、可回滚的工厂定义，以及支持多模型、多代理、自托管和持续改进的基础设施，旨在帮助团队向工厂模式转型。
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。
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。
没人能规划 Infra 的未来：TiDB AI 演化之旅
文章讲述了 TiDB 从传统分布式数据库演变为面向 AI Agent 的统一存储层的过程。作者通过回顾从解决 MySQL 分库分表问题，到支持百万级数据库、文件系统、Agent Runtime Workspace，再到构建 Agent Stack 的六个阶段，阐述了基础设施产品如何被客户实际需求而非顶层设计推动演化，最终成为 AI 应用背后的关键基础设施。
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。
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。
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。
我们如何构建自动化的 LLM 训练基础设施
文章详细介绍了作者团队构建端到端 LLM 训练平台（Catalyst）的技术历程。通过解决数据标准化、超参数自动配置、多 GPU 提供商调度及无服务器环境下的长时训练恢复等挑战，实现了用户一键微调模型的愿景。
Claude Code 工程化指南：高效组织 .claude/ 目录
本文旨在探讨如何像管理代码一样管理 Claude Code 的配置目录 .claude/。文章首先指出了混乱的目录结构会随着项目增长导致维护困难，随后提出了一套包含 CLAUDE.md、settings.json、rules/、hooks/、commands/、skills/ 和 agents/ 的标准化目录蓝图。接着，文章详细阐述了核心原则，包括顶层设计的轻重分离、规则模块化、自动化脚本与复用工作流的区别，以及团队与个人配置的边界。最后提供了从简单到复杂的渐进式成长路径，帮助开发者构建可预测、可维护且易于团队协作的 AI 辅助开发环境。
BestBlogs 早报：AI 编码的工程化深水区
本期早报探讨了 AI 编码从「工具替换」走向「工程化」的范式转变。Cursor 发布 Composer 2.5 并公开训练栈，标志着竞争从应用层下沉到模型层；Anthropic 工程师详解长时 Agent 架构，利用对抗式生成-评估循环将续航提升至 12 小时；阿里云 CIO 则提出应摒弃「AI 生码率」，关注端到端业务价值，指出代码即是负债。文章强调，模型能力、Agent 架构与组织效能三者结合，才能实现从写得快到做得对的跨越。
如何在不修改模型或提示词的情况下提升编程智能体能力
文章介绍了一项关于 Agentic Harness Engineering (AHE) 的研究。该框架通过自动进化工具、中间件和记忆等 Harness 组件，在不修改底层模型或提示词的情况下，显著提升了编程智能体的性能。实验表明，AHE 在 Terminal-Bench 2 上将 pass@1 从 69.7% 提升至 77.0%，并在 SWE-bench-verified 上表现出更高的成本效率。研究还发现，仅依赖提示词优化反而会导致性能下降，而工具和中间件的进化才是性能提升的关键。
