我是如何用 Orca 做 Graph Engineering
作者分享了使用 Orca 进行 Graph Engineering 的实践经验，通过拆分任务给 Agent 执行，结合编排调度和真机验收，解决了长任务拆解、动态调整依赖和防止假成功的问题，强调了 Graph、Eval 和权限控制三者结合的重要性。
相关文档
我是如何用 Orca 做 Graph Engineering
作者分享了用 Orca 编排多 agent 进行移动端开发一个月的实践经验。通过一个真实案例说明假前提如何导致整张依赖图建立在错误基础上，并提出 Graph Engineering 的三大支柱：图把长任务拆开跑起来（图是长出来的而非预先画完）、用 agent-device 真机验收等 anchor 防止假成功、以及通过闸门机制掌握改图权。作者强调失败信息比成功更有价值，三者结合才能构成反脆弱系统。
How to Become a Marketing Engineer
文章介绍如何成为一名营销工程师（Marketing Engineer），即用 Agent、连接的数据和业务上下文构建自动化营销系统的人。作者分享了在 Agent 开发环境（ADE，如 Orca）中完成约 70% 营销工作的经验，包括市场研究、活动策划、内容生产和落地页搭建。文章讲解了模型、harness、ADE 等核心概念，提出按营销垂直领域组织工作区的目录结构（知识、工作流、技能、产出、结果），并建议从自己熟悉的一个任务或领域入手，逐步连接研究、简报、生产与结果反馈，形成可持续迭代的营销工作流系统。
Graph Engineering: Stop Chaining Your Agents
本文批判了多步骤AI代理中常见的线性链式结构，指出其低效且易出错。作者提出用图结构（节点和边）来设计代理工作流，并给出了14步路线图，涵盖节点契约、数据边、并行扇出、汇聚、条件路由、验证器、错误隔离、循环收敛、模型分层、成本优化等实践。核心思想是利用Claude Code的动态工作流功能，通过JavaScript脚本编排子代理，实现高效、可扩展的代理系统。
图工程：构建全自动化AI开发系统
本文介绍如何摒弃手动单次提示，通过构建AI系统实现开发自动化。以Claude Code为基础，结合上下文规则实现工程化代理；利用循环工程让系统自动发现任务、执行并验证结果；引入图工程作为知识记忆层，通过三元组存储项目逻辑，使模型准确率大幅提升且避免从零开始；最后通过模型路由按任务复杂度自动分配Opus 5或Fable 5，以大幅降低开发成本并成倍提升工作效率。
Graph Engineering: The Anthropic Method for Agent Self-Review
文章介绍了Anthropic工程师采用的“图工程”方法，通过将Agent控制从模型内部转移到图结构节点，解决了长任务中的状态丢失和漂移问题。文章详细阐述了如何构建评判器、编写规则书、测试规则及将状态存储在磁盘而非上下文窗口中，从而实现大规模代码迁移和自动化审查。
只用 Codex 原生功能，新手也能用 Graph Engineering 跑起多 Agent 工作流
本文介绍如何仅利用 Codex 的原生机制，通过一个提示词实现轻量级 Graph Engineering。作者展示了如何设置“总包”和“Worker”角色，无需编写编排代码即可实现多 Agent 协作、审核与进度管理，提供了可直接复用的最小模板。
让 Codex 在你睡觉时自己写代码
文章分享了作者利用 Codex 进行夜间代码自动化的实战经验。核心观点是：不能将 Codex 视为可随意许愿的全能工程师，而应通过清晰的任务边界、明确的范围限制和严格的验收标准（如 AGENTS.md），将其转化为高效执行者。文章详细列举了适合夜间运行的任务（如安全审计、补测试、更新文档）和应避免的任务（如产品判断、大重构），并提供了具体的 Prompt 模板和验收流程。
从任务板到文件协议：两个 Agent 协作系统的边界与互补
本文探讨了多 Agent 协作系统中的架构设计问题。作者对比了基于 IPC 的“任务板”模式与自研的“文件协议+状态机”模式，阐述了为何选择文件系统作为任务真理源以实现跨 Session 的可恢复性与可审计性。文章提出了一种混合架构，利用 IPC 处理高频进程心跳，同时保留文件层作为核心状态与证据链的存储，最终实现了稳定、解耦且支持异步长任务的自动工程流。
Agent 开发的惨痛教训：移除封装，拥抱原生
文章阐述了 Agent 开发中的“惨痛教训”：不应过度封装 LLM 及其工具。作者指出，通过提供最小化的辅助脚本（如 CDP 接口）和 SKILL.md，让 LLM 直接访问底层能力，能够显著提升其自主解决问题的能力。这种“自愈循环”机制使得 Agent 能在遇到缺失功能时自动编写代码修复，无需人工预设复杂的中间层。
我看谁不学 Grok Bot · Day1：打通 IM 和本地设备
本文是 Grok Bot 系列教程的 Day1，介绍两大进阶玩法：一是打通 IM（以微信为例），通过 Webhook 和 ClawBot 插件把微信变成 Bot 的消息接收入口，并扩展支持图片和文件收发；二是打通本地设备，在一台常驻 Mac mini 工作站上安装客户端，用管家 Bot 通过 machineId 绑定管理机器，实现巡检、定时任务和远程调用。最后通过一个横跨手机、云电脑、工作站和微信的长任务实战，展示多设备协同流程，说明 Grok Bot 可作为整合云端、工作站、IM 和手机资源的中转站与调度中枢。
Grok Bot Engineering: 像SpaceXAI一样打造你自己的Bot团队
本文深入介绍xAI（文中称SpaceXAI）的Grok Bot如何运作：每个Bot运行在持久化的云端Linux虚拟机上，拥有浏览器、文件系统和终端。核心亮点是'团队化'使用模式——以Chief of Staff为中心，配合各司其职的专家Bot，并由人工审批关键操作。文中以客服事件处理为例：三个Bot（IncidentWatch、Support Bot、IncidentSweep）协作，10分钟内清理204个工单。文章分7部分讲解Bot的组织架构、工程harness、技能与记忆、审批机制及可复制的搭建方案。
小红书全自动化运营，新手保姆级完整教程
本文详细介绍了如何用个人 AI 助理（如 Dot）实现小红书账号的全自动化运营。作者以表情包出处账号为实践案例，讲解了从选题补给、内容制作发布、公开核验到数据复盘的完整流程搭建。文章包括准备工作（账号、AI助理、飞书多维表格、生图与发布能力）、撰写可检查的运营标准、建立四张运营表（运营标准、选题与发布、复盘记录、评论处理）、连接飞书进行读写验证、建立选题库存等步骤，并强调区分本机与云端环境、任务拆分与授权安全，帮助读者用 AI 持续托管日常运营工作。
