Graph engineering, clearly explained
文章介绍了“图工程”这一AI概念，区分了知识图和代理图。它主张通过设计围绕AI的工作流程，而非单一对话，来提升AI输出的质量和可靠性，适用于复杂的多步骤任务。
相关文档
Deep Agents vs LangChain vs LangGraph
本文对比了构建AI智能体的三个开源框架层级：Deep Agents、LangChain和LangGraph。它们提供不同层级的控制力与抽象程度：Deep Agents是开箱即用的智能体套件，专注于最佳上下文工程实践；LangChain是高度可定制的智能体核心抽象与集成框架；LangGraph则是基于图的底层运行时，适用于混合确定性与动态步骤的复杂工作流。三者完全可组合，开发者可在自主性与确定性之间灵活平衡。
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。
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，指出其效率低下且易出错。作者提出用图结构（Graph）来组织代理工作流，其中节点代表有界任务，边代表数据依赖。文章详细介绍了14步路线图，包括为节点和边定义契约、使用parallel()进行扇出、设置屏障进行扇入、运行时路由、添加验证器、隔离故障、设计收敛循环、按层分配模型以及利用Claude Code动态工作流工具自动生成图。核心思想是识别并消除虚假依赖，将线性脚本重构为并行图，以提升性能、可靠性和成本效率。
AI 七宗罪全网最全审判指南：从入门到榨干
文章总结了 AI 在执行任务时的七大常见毛病：抢答、脑补、独断、加戏、话痨、失忆和报喜。针对每一宗罪，作者提供了具体的提示词和解决策略，旨在通过规范流程让 AI 问清需求、抓住重点、精准执行并凭据交付，最终提升工作效率。
700 万人下载的 /grill-me，Matt Pocock 到底写了什么？
文章深入解析了 Matt Pocock 的 AI 工具 /grill-me 的核心逻辑。该工具并非让 AI 直接执行任务，而是通过一套追问协议，强迫 AI 先理清需求再行动，解决了 AI 瞎猜和抢跑的问题。文章进一步阐述了完整的 AI 协作五步法：质疑、规格化、拆票、TDD 和架构评审，旨在通过纪律约束防止 AI 失控，提升人机协作质量。
3 Years of Graph Engineering with LangGraph
文章回顾了 LangGraph 三年来的发展，探讨了将智能体系统建模为图（Graph）的实践与价值。作者分析了何时使用图结构以平衡确定性与自主性，并指出生产级智能体通常需要循环和动态转换。最后，文章强调图工程并非全新概念，但随着节点的进化，现在的图更多是在编排智能体而非单一的 LLM 调用。
AI 终于开始会做项目
文章介绍了一款名为 gstack 的 AI 开发工具，它不同于普通的代码生成工具，而是通过定义“思考→计划→构建→审查→测试→发布→复盘”的完整链路，将 AI 转变为一个具备纪律性的开发团队。作者深入分析了 gstack 在需求澄清、方案收敛、代码审查及真实 QA 方面的优势，并探讨了将其方法论迁移到 Hermes 技能体系中的具体路径与价值。
技能图谱 2.0：基于原子、分子和化合物的技能组合新思维
文章探讨了如何通过“原子、分子、化合物”的层级结构来更有效地组合技能，从而提升 AI Agent 工作的杠杆率。作者指出，直接链接技能（技能图谱）在依赖关系复杂时会导致不可靠性。新的方法论建议将技能分层：原子级技能提供确定性工作流，分子级技能解决具体问题，化合物级技能则赋予 Agent 高度自主权。通过在高层级驱动 Agent，人类可以用相同的脑力负载管理 100 倍的工作量。
大多数人在攒实习生，聪明人在建飞轮
文章通过拆解 Garry Tan 的 gstack 系统，阐述了将个人变为高效团队的三个核心原则：拆分角色、严守流程、设立关卡。作者强调 AI 时代的核心能力是建立流程系统，而非单纯依赖工具，并提供了具体的写作实操案例，展示了如何通过多视角和严格审核提升产出质量。
Motion Engineering: 一个 Agent 打造五个部门的动画工作室
文章介绍如何将 Claude Opus 5.5 变成一个完整的动画制作团队，通过设立导演、艺术总监、动画师、渲染工程师和评审五个“部门”，让一个 agent 依次完成故事策划、视觉设计、动画编码、渲染和质检的全流程。作者强调关键不在模型本身，而是围绕模型构建的生产系统：使用 Claude Code 作为 agent、Remotion 作为视频框架、FFmpeg 处理媒体。模型不直接生成像素，而是编写产生帧的代码，使首个视频成为后续的基础。真正的“一次成型”背后往往是详尽的提示词、参考资料和生产环境，工作室化流程才是可复现视频创作的核心。
AI 时代的 eval 究竟应该怎么做
作者提出在 AI 时代执行成本越来越低，eval（评估）才是一等公民。他建立了 repo-evals 项目，系统测评各类工具和 skill，并详细介绍了完整的评估方法论：先看真实产出而非介绍；将工具分为原子、分子、复合物三个层级并采用不同检查标准；打分四档且分数拆开可解释；明确 who/when/how 使用场景；绘制工作流并与同类工具对比；标注部署成本和 license；把 README 承诺拆成一条条 claim 逐条核对实测证据；最后按层级使用不同检查清单（确定性、幂等性、工作流正确性、错误传播等）。文章以 guizang social card 为例演示了完整评估页面结构。
The 2026 LLM Engineering Roadmap
本文提出了2026年LLM工程路线图，指出与LLM工作不只是提示词，生产级系统需要对LLM的工程化、部署和优化有深入理解。文章总结八大支柱：提示工程（将prompt当作代码管理）、RAG系统（嵌入、检索、重排）、上下文工程（管理上下文窗口中各类信息的取舍）、微调（LoRA/QLoRA等技术）、Agent（工具调用循环与编排、状态管理、重试逻辑），并为每个领域提供了大量免费开源学习资源，如Anthropic、OpenAI官方指南及多个GitHub教程仓库。
