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。
相关文档
用 Claude Code 简化 80% 日常工作的三件事
本文介绍了如何通过构建 Claude Code 系统来大幅提升开发效率。作者分享了三个核心实践：建立行为规范（如使用 CLAUDE.md）、定义特定角色（如 Explore 和 Plan）以及利用 /goal 命令实现自动化。通过这些方法，可以将项目维护成本降至最低，实现真正的“人负责判断，系统负责执行”。
从 Agent Loop 到推理引擎：哈佛 CS2680 现代AI系统课程深度解读
本文深度解读哈佛大学2026年秋季Juncheng Yang开设的研究生课程CS2680《现代AI系统：Agent与系统优化》。课程以一条主线贯穿agent循环到LLM推理serving栈，通过五个递进式作业逐层解剖系统：A1为Claude Code构建Web前端，A2从零实现最小agent harness，A3在黑盒API下优化成本与延迟并引入排行榜竞争，A4自建推理引擎部署开源模型，A5全栈profile驱动的假设验证优化。文章还分析了课程的AI使用政策（强制披露、Claude Code session存档审计）、leaderboard评分机制、严格的20% A档曲线以及体现系统研究方法论的期末项目设计，展示了'AI时代如何教系统课'的完整答案。
Jev 火了：我整理了 20 个真正适合国内用户的用法
文章介绍了近期海外开发者圈爆火的 AI 工具 Jev。它不是生成型模型，而是专注于毫秒级、极低成本的大量小判断，核心能力包括 Choice（选择）、Score（评分）和 Noul（概率判断）。作者整理了 20 个适合国内用户的应用案例：内容创作领域包括小红书标题爆款体检、检测文章 AI 味、筛选海量新闻素材、个性化信息流过滤；企业场景包括客服工单自动分类、销售线索分级、表单自动填写；开发者场景包括代码审查、AI 代码质检、编码 Agent 监工、MCP 集成、Agent 执行前的安全检查、长期运行 Agent 的记忆清理，以及智能家居和浏览器 Agent 操作等。
WTF Is Jev? 9 Things People Are Already Building With It
Jev 是由 ChatGPT 联合创造者、RLHF 联合发明人 Diogo Almeida 在隐身两年后推出的决策型 AI 模型。它不做对话生成，而是为软件提供快速决策：选择题、评分、是/否判断，号称比前沿 LLM 快约 200 倍、便宜 400 倍，响应仅需几十毫秒。文章盘点了社区基于 Jev 构建的 9 个实际应用，包括 7 秒找机票的浏览器代理、上下文即时压缩工具、编码代理安全审查器、模型路由中间件等。其命名源自 19 世纪经济学家 Jevons，暗喻资源越便宜消耗越多的悖论。
Awesome Jev：Jev 低延迟判断模型项目合集
作者分享了自己获批使用 TypeSafe AI 推出的 Jev 模型后的体验，并整理了一份 Awesome Jev 项目清单。Jev 是一个不生成文本、只返回选项、分数和概率的低延迟判断模型，可并行输出结果。文中介绍了 14 个基于 Jev 的项目，包括高速浏览器 Agent、MCP 集成工具、命令行语义判断工具、模型路由器、上下文垃圾回收、代码审查前置筛选、语义寻路、知识图谱、桌面自动化、交易流动性分析以及 FPS 游戏等应用场景。核心思路是：用 Jev 反复做'要不要、选哪个、打几分、下一步干什么'的判断，复杂推理和生成任务仍交给传统大模型，从而降低成本、提升速度。
Anthropic 如何构建产品，软件工程又将如何改变 | 深度解读 Claude Code 一线工程师 70 分钟访谈
本文深度解读 Claude Code 开发者 Thariq Shihipar 的 70 分钟访谈，揭示 Anthropic 内部如何用 AI 做工程。核心观点包括：工程师抽象层级必须上移，把 Claude 当思考伙伴；知识工作皆可代码化；模型越强 harness 越复杂；自主性取决于 ticket 质量；提示工程被重新定义为注入上下文的一切；品味成为稀缺资源；验证能力重要性暴涨（测试代码需多 100 倍）；写作与信任文化规范；以及 loop engineering、生成式界面等将扩散到全行业的转变。
The Agency：61个Agent的GitHub仓库揭示的图工程启示
文章介绍了2026年爆火的GitHub仓库The Agency，它包含61个专职Agent和9个部门，展示了与通用型AI完全不同的思路。核心观点包括：专业化比智能更重要、结构本身就是产品、Agent间的交接即图的边。文章阐述了验证者模式——工作者与验证者绝不能共享上下文，否则就是自己批改自己的作业。最后给出实操指南：用researcher、builder、reviewer三个提示词文件搭建最小三节点Agent图，强调私有上下文与共享状态的分离是构建可靠Agent系统的关键。
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。
Claude循环工程：如何构建自动化Agent
本文探讨了“循环工程（Loop Engineering）”的概念，即从人工提示Agent转变为构建自动提示Agent的系统。文章追溯了其起源，并将之置于提示、上下文、测试床之上，作为自动化运行的最高层。作者详细拆解了循环系统的五个核心组件：触发器、任务、验证门、状态文件和停止条件。最后，文章介绍了Claude Code中四种循环类型及其应用场景，强调通过客观的评估器和状态持久化来实现夜间无人值守的自动化开发任务。
Loop Engineering：如何构建能自我改进的AI智能体
本文探讨了从手动提示AI向“循环工程”转变的新一代工作流。作者指出，真正的循环工程依赖于廉价的长上下文模型来控制Token成本。文章详细对比了旧的手动工作流与新的自动化循环工作流，并深入剖析了单智能体循环与舰队循环（多智能体协同）的区别。同时，强调了在实际应用中应优先采用边界清晰、易于控制的闭环。最后，拆解了构建高效循环系统的六个核心基石：自动化、工作树、技能复用、外部插件、子智能体和检查器，帮助开发者打造可自我迭代和修复的AI系统。
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。
Graph Engineering: 在一个窗口构建 1000+ Agent 循环的完整指南
本文介绍了 Graph Engineering 的概念，即从线性的 Agent 循环转向图结构的工作流。文章详细讲解了如何利用 Claude Code 的动态工作流功能，通过五个步骤构建并行处理任务的 Agent 图，以解决上下文限制和执行效率问题，并探讨了在扩展到 1000+ Agent 时可能遇到的挑战及解决方案。
