Collaborative Intelligence
文章探讨了 AI 如何从个人智能进化到协作智能。作者指出，目前的 AI 虽然提升了个人效率，但在组织层面收效甚微，因为缺乏对上下文和社会协作的理解。通过回顾科学学会、电话交换机和 Git 等历史案例，文章认为真正的突破在于将 AI 视为具备社交能力的参与者，嵌入到人类的协作工作流（如邮件、文档、代码库）中，从而实现组织生产力的指数级跃升。
相关文档
从零开始学 AI：小白也能看懂的常见 AI 术语讲解（一）
本文是 AI 术语科普系列的第一期，面向小白读者，用通俗易懂的语言讲解 11 个常见 AI 概念：大语言模型（LLM）、多模态、提示词（Prompt）、Token（词元）、上下文、记忆、知识库、Agent（智能体）、Skills（技能）、工作流和 AI 幻觉。作者金尘马解释了模型与应用的区别、Token 与计费和上下文窗口的关系、记忆与上下文的差异，并对比了工作流的固定流程与 Agent 的自主决策，帮助读者扫清学习 AI 路上的术语障碍。
高级 Skill 不是更长的提示词，而是一套组合技
文章探讨了高级 AI Skill 的本质：不是把更多指令塞进一份文件，而是把多个单点能力按任务关系编排组合。作者通过分析 GitHub 上多个热门 Skill 仓库，总结出五种组合模式：路由（判断调用哪个 Skill）、顺序（强制工作流程）、选择（按需分诊组合）、流水线（专业能力交接）和分层（Skill 与系统能力分工）。文章提出组合 Skill 的五个核心零件：路由、输入输出契约、顺序与并行、上下文状态、验证反馈，并建议从真实返工中逐步长出组合关系。核心观点：Prompt 让 AI 听懂一次需求，Skill 固化一类做法，而组合 Skill 才能把复杂任务交付出来。
麦肯锡最新 AI 报告最扎心：AI 已经让个人变强，但还没让公司变富
文章基于麦肯锡 2026 年 8 月《The state of AI in 2026》报告指出：80% 受访者称 AI 提升了个人生产力，但仅 37% 认为 AI 对组织 EBIT 有正向贡献，高绩效组织仅占约 6%。作者通过职场故事说明，把 AI 当润色器与把 AI 当隐形团队的人差距会滚雪球式扩大。文章提出个人应在组织变革前主动重构工作流、沉淀模板与经验、学会管理 AI 成本、成为责任节点；同时分析中层管理者的尴尬处境、岗位任务被重新切分的趋势，强调未来值钱的是敢为 AI 参与后的结果负责的人，而非只会操作工具的人。
30个开源仓库，助力AI业务自动化
本文介绍了30个开源仓库，用于构建自动化AI业务的各个层面，包括市场研究、潜在客户生成、内容创作、销售、支持、自动化、分析和安全。作者强调，没有单一工具能完全自动化业务，而是需要组合多个工具形成系统。文章按功能分类列出每个仓库的GitHub星标、用途和典型应用场景，并提醒读者开源不等于免费，且需注意合规性。
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。
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。
如何使用Linear管理Agent并构建软件工厂
作者分享了使用Linear工具管理编程Agent的实战经验。他将任务按结果层级组织，利用分流箱收集问题，并通过分批处理工作流来提高效率。文章重点强调了制定清晰的Ticket契约（目标、原因、结果）、确保Agent完整完成任务以及实现无监督并行工作，从而打造个人“软件工厂”以提升生活质量。
Agent 自治级别：从单一代理到多代理编排
本文探讨了智能体工程中从单一代理到多代理编排的演变，提出了一个新的双轴模型：代理自治和编排。文章详细介绍了从辅助级别到并行委托级别的六个自治层级，以及 Claude Code 和 Codex 等工具在实现不同级别上的具体应用。
Factory 2.0: 从编程代理到软件工厂
文章探讨了软件工程的下一个阶段：软件工厂。该系统通过整合 AI 智能体，实现从需求到部署的端到端自动化闭环。文章强调了模型独立性、主权智能和持续学习的重要性，并指出工程师的角色将从单纯的代码编写者转变为构建自动化系统的架构师。
构建 7-Agent 软件工厂：Claude Code 高效开发指南
文章指出了当前 AI 辅助编程中“Vibe Coding”的痛点，即单一 AI 会话承担过多角色导致错误累积。作者提出了“软件工厂”的解决方案，通过构建包含代码库研究员、需求撰写者、规格撰写者、后端/前端构建者及测试验证者的 7 个专业化 Agent，将任务拆解并隔离。这种结构化流程利用 Claude Code 实现了自动化且高质量的功能交付，彻底改变了单人监督 AI 的低效模式。
The Definitive Guide to Harness Engineering
本文介绍了软件工程的新支柱——Harness Engineering（挽具工程），将其定义为一种通过系统化约束和引导，将 AI 模型转化为可靠、可控的“精英表现者”的工程哲学。文章提出了 R.E.S.T 框架来评估生产级 Agent 系统，并阐述了从“执行者”到“架构师”的工程师角色转变，以及如何通过工程化的“硬约束”解决 AI 系统的随机性与可靠性问题。
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。
