作者提出2026年AI Agent工程师的12步路线图，围绕决定Agent成败的七大支柱展开：上下文、工具、记忆、循环、图、Harness与评估。文章指出Agent失败的核心原因是上下文膨胀、循环不收敛、缺乏评估。前半部分详细讲解上下文工程（如Claude Code启动即加载约7850 token、精简系统提示、CLAUDE.md分层管理）、工具与MCP设计（用类型代替示例、延迟加载）、记忆管理（计划文件、主动压缩）等内容，强调七者是同一技能的不同投影，需按依赖顺序学习。
文章探讨了随着大模型能力提升，上下文工程的策略已从补充信息转向尽量精简信息。PostHog 分享了维护 AGENTS.md/CLAUDE.md 的三种实践方法：1) 使用 Claude Code 的 /doctor 命令进行健康检查并人工审阅，删除无法说出其防止失败的冗余指令；2) 像对待代码一样测试上下文，将 agent 犯过的错误记录为 evals，通过 wizard-ci 和 pr-evaluator 自动化验证；3) 直接让 agent 在使用上下文的过程中反馈改进建议。文章强调过时或冗余的上下文会拖累 agent 表现，需要定期清理与迭代。
本文探讨了AI领域中从提示词工程向上下文工程的演进。引用Karpathy的Software 3.0理念，指出上下文窗口即新程序，通过写入、选择、压缩和隔离四大操作管理模型记忆以避免上下文腐化。结合Claude Code创建者Cherny的循环工程理念，说明通过构建包含技能、子代理和验证器的自动化循环，可实现高效上下文工程，将AI从简单工具升级为强大的操作系统。
Ruflo 是一个为 Claude Code 构建的“神经系统”和分层运行时，旨在提供 HNSW 向量记忆、100+ 专用 Agent 以及多智能体群集协调。文章详细介绍了其基于 MCP 的工具表面、联邦通信机制和自学习架构。同时，基于项目最新的 ADR 审计报告，分析了 Ruflo 在功能实现上的真实进展，指出了记忆层已可用而部分执行层（如神经网络预测、工作流运行时）仍处于存根状态的现状。
本文深入探讨了构建AI Agent的正确方法：重点不在于构建模型，而在于构建模型周围的基础设施。作者提出了包含四层内存系统（工作上下文、语义课程、情节记忆、决策记录）的架构，并强调了技能封装与协议执行的重要性。文章详细介绍了关键的配置文件（如AGENTS.md、DECISIONS.md）以及“夜间梦境”机制，该机制能压缩日间学习内容。
本文介绍了开源工具 REA（Reverse Engineer Anything），一个拥有 33.5 万星标的 GitHub 项目。REA 通过 MCP（模型上下文协议）接入 Claude Code、Codex、Grok Build 等 AI Agent，让 Agent 能够分析网站、桌面应用、移动应用乃至游戏的功能实现原理，并生成规格文档用于构建自己的版本。文章提供了从零开始的完整新手教程，包括安装步骤（npx 命令或自动化 Agent 安装）、健康检查方法，以及五步工作框架：观察架构、深度理解（X-ray）、制定蓝图、构建实现、迭代升级，并附有各阶段的实用提示词模板。核心价值在于可以借鉴喜爱的应用功能，快速打造自己的版本。
作者逐一核对了 10 门免费或部分免费的 AI 学习课程，并按学习阶段分为四站：零基础入门（吴恩达 AI for Everyone、Google 生成式 AI 路径）、提升 AI 使用能力（OpenAI Prompting 指南、Karpathy How I use LLMs）、补编程基础（哈佛 CS50x/CS50P/CS50AI）、动手实践（微软 Generative AI for Beginners、Claude Code in Action、n8n 搭 AI Agent）。每门课均附出品方、时长、费用、证书等详细信息和链接。作者建议不必全学，根据自己的阶段挑选两门深耕即可。
本文是 Agent 面试高频题详解第 3 题，围绕多 Agent 架构展开。作者结合 50 位作者、63 场面试的面经，系统梳理了六个追问方向：要不要拆、怎么拆、怎么通信、结果谁汇总等。文章指出单 Agent 在上下文膨胀、工具过多、提示词分支复杂、无法并行四方面会卡住；同时多 Agent 有 token 成本（约为普通对话 15 倍）、协调开销、信息丢失和错误传播等代价。文中总结了主从、流水线、并行分片、执行加审查、按意图转交五种结构，以及上下文、工具权限、可验收三类拆分边界，并对比 Skill、MCP、Workflow、SubAgent 等概念的适用场景，最后给出通信方式与面试应答要点。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
本文是一篇面向新手的 Pi Coding Agent 全面入门教程。Pi 是一个跑在终端里的极简 AI 编程智能体框架，定位为'最小智能体外壳'：内核只保留基本工具循环，计划模式、子智能体、权限系统等能力全部拆给扩展。文章详细介绍了安装方式（官方脚本、npm、Nix）、界面与常用快捷键、模型配置、四种使用模式（交互、打印/JSON、RPC、SDK）、技能/扩展/提示词模板/主题的扩展体系，以及树状会话管理。作者重点总结了七个常见坑：无内置权限系统需容器隔离、默认无 plan mode、npm 不锁传递依赖、grep 等工具默认关闭等。Pi 支持 15 家以上模型商，MIT 协议，与 Claude Code、Codex 是两条路线：要开箱即用选成品，要可自由定制的个人智能体选 Pi。
HeyPCB 发布 MCP 服务，让 AI Agent 具备硬件电路设计能力。文章演示了通过 Claude Code 使用 HeyPCB 完成从原理图绘制、145 个元器件布局、布线到地平面铺铜的全流程。首次布局不佳时，Agent 自主检查并要求将 64 个 LED 重新排成 8mm 网格、支撑件移至背面；针对 D3 LED 数据引脚方向问题，Agent 旋转 180 度后重新布线。最终实现 0 DRC/ERC 错误，并成功导出 KiCad 项目通过官方检查。HeyPCB MCP 兼容 Claude Code、Codex、Cursor、ChatGPT 等 MCP 客户端，实现电路设计到固件和外壳的一体化 AI 硬件开发。
本文是面向新手的 REA (Reverse Engineer Anything) 详解教程。REA 是一个装在 AI Agent 里的逆向工程 MCP 工具箱，半年内 GitHub star 达 22 万。它本身不发明新技术，而是充当中间翻译层，让 Claude Code、Codex 等 AI Agent 能指挥 Hopper、Ghidra、IDA 等老牌逆向工具，并把结果翻译成大白话，每条结论都带证据。文章覆盖逆向工程和 MCP 的基础概念、REA 能干与不能干的事、安装配置步骤（Node.js 版本要求、npx 安装、doctor 体检）、三个分析引擎的挑选、第一个分析任务的实操、常见坑与 FAQ。新手可从免引擎的 JavaScript/Electron 应用分析入手。
本文介绍如何用90天从传统营销人员转型为营销工程师（Marketing Engineer），这一新兴岗位融合营销、产品思维与AI系统能力，Figma等公司已在招聘。路线图分三个月：第一个月用Claude Code或Codex构建可重复的营销工作流，并添加公司上下文与技能；第二个月通过API、MCP服务器连接工具，搭建KPI仪表盘和受众工作流；第三个月加入创意生产、落地页与自动化测试循环，附加SQL、BigQuery与Python知识。核心转变是从执行者变为编排者，构建可复用的营销系统。
