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。
相关文档
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。
Claude Code 架构深度解析：构建生产级 AI 代理框架的最佳实践
本文深入剖析了 Anthropic 的 Claude Code 源代码，揭示了构建生产级 AI 代理框架的核心架构设计。文章指出，真正的代理框架不仅是模型和上下文，更包含了基础设施、多租户和权限控制。关键设计亮点包括：使用异步生成器而非 while 循环来实现可取消、可组合的代理核心；通过并发分类实现工具执行的速度与安全平衡；四级 CLAUDE.md 层级结构实现企业级策略管理；以及系统提示缓存优化、多级上下文压缩策略和精细化的错误恢复机制。
我用 Claude 写了一个 DBA 运维 Agent：从零到生产的完整记录
本文记录了作者利用 Claude Code 从零搭建一个能自主诊断 MySQL 和 Linux 的 AI Agent 的全过程。文章深入浅出地讲解了基于 ReAct 模式的 Agent 核心原理，详细拆解了开发所需的“模型、工具、提示词”三要素及六步开发流程。作者分享了实际落地中遇到的坑（如 Socket 连接问题、tail 命令卡死等）及解决方案，并总结出“Agent 效果 = 模型能力 × 工具质量 × Prompt 清晰度”的公式。
10 AI Agent Projects That Take You From Tool Calling to Autonomous Systems
文章介绍了10个循序渐进的 AI Agent 实战项目，帮助开发者从简单的工具调用进阶到自主智能体系统。项目包括：工具调用 Agent、ReAct 推理循环、多工具选择、记忆 Agent（短期与长期记忆）、规划 Agent（任务分解）、反思 Agent（自我评估与修订）、多 Agent 协作系统、研究 Agent、编码 Agent 等。文章通过架构图、技术栈（Python、OpenAI、LangGraph、Pydantic）和学习要点，阐述了智能体设计中的核心问题：工具选择、记忆管理、任务分解、错误恢复、自我验证及多 Agent 协调等。
又一个新项目完结，全栈 AI 修图 Agent！
程序员鱼皮宣布其编程导航新项目教程《AI 修图智能体》完结。该项目是基于 Python 3.13 + FastAPI + LangChain + LangGraph + React 19 + Konva 的全栈 AI 修图 Agent，用户输入一句话即可自动规划修图步骤并调用 21 种编辑工具完成专业级修图。核心能力包括 AI 文生图、专业级画布编辑器、自然语言驱动修图、智能区域选择（SAM）、局部精细编辑、图层拆分和多步计划人机协作。代码完整开源，教程涵盖架构设计、异步任务、部署等全流程，并附简历写法和面试题解，助力求职。
万字长文｜AI Agent 从入门到精通，通俗易懂讲解
本文是一篇通俗易懂的 AI Agent 入门到进阶教程，讲解了 Agent 的核心原理与工程实践。作者用公式'Agent = 模型 + 目标 + 工具 + 记忆 + 运行循环 + 安全边界'拆解 Agent 构成，对比聊天机器人、自动化流程与 Agent 的差异。文章详细介绍三种经典模式（ReAct、Plan-and-Solve、Reflection）、工具设计的六条硬规则、提示词注入攻击防范、记忆/RAG/上下文工程的区别与用法，以及工作流、低代码、框架、自研四条实现路线的选择建议，并涉及 MCP、多智能体和 A2A 等概念。
从零开始，用 LangGraph 搭建你的第一个 AI Agent
本文是一篇面向初学者的 LangGraph 实战教程，介绍如何用 Python 从零搭建一个具备工具调用、推理决策和会话记忆能力的 AI Agent。文章首先讲解 LangGraph 的三个核心概念：State（状态/共享记忆）、Node（执行步骤）和 Edge（跳转逻辑），随后通过完整代码演示项目创建、工具定义、模型节点编写、条件路由实现、Graph 组装，以及通过 InMemorySaver 和 thread_id 实现多轮对话记忆。最终实现一个 ReAct 循环（思考→行动→观察→回答）的基础 Agent，并给出网页搜索、数据库查询、RAG 检索等扩展方向。
The First 10 Rules I Give To Every AI Agent: How I Stopped AI Agents From Breaking My Codebase
AI coding agents can introduce bugs and break codebases without clear constraints. This article presents ten practical rules to guide AI agents, such as reading before writing, avoiding unnecessary dependencies, matching existing style, handling loading/error/empty states, and requiring explanations for changes. These rules help channel agent capabilities safely, reducing breakage and improving reliability.
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。
Harness Engineering 101: AI Agents 的核心基础设施
文章系统介绍了“Harness”的概念，即围绕 AI 模型管理工具执行、内存、状态和错误恢复的软件基础设施。通过对比 CPU 与 OS 的关系，阐述了 Harness 如何决定模型能力的边界。文章详细拆解了 Harness 的五大核心组件（上下文、工具权限、验证、记忆状态、安全沙箱），并分享了 Anthropic 和 OpenAI 的工程实践案例。
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。
Building a Self-Improving, AI-Native Company
文章介绍了Deel如何构建自我改进的AI系统。通过Bug Hunter和Deel Code两个Agent，系统自动在真实客户环境中发现漏洞、编写修复代码并验证结果。人只负责最终审批，将工程师移至决策环节，实现软件闭环自我进化。
