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。
本文介绍了AI Agent工程从Prompt到Loop再到Graph的演进。Graph Engineering通过图结构重新规划任务关系，实现并行处理、明确依赖、隔离失败，从而解决线性流程在复杂任务中效率低、易失控的问题。
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。
作者分享了使用 Grok Bot 后工作方式的转变：他从主要在电脑前使用 Claude Code、Codex 等 AI 编程助手，转变为通过手机协调实际工程工作。他搭建了 29 个分工明确的机器人，由管家 Emma 协调研究机器人和编码机器人完成模型实验、微调、内容创作等任务。通过跨设备协作，他无需固定在工位即可推进研究和编码工作。他认为最大的变化不是效率提升，而是思维方式的转变——从考虑打开哪个应用，到思考要完成什么目标以及哪个机器人可以帮忙。
花叔开源了Huashu-Report，一个用于让Agent产出高质量报告的Claude Code Skill，比之前的橙皮书skill更强大。文章指出AI写报告的瓶颈不在文笔，而在编造数字、重复叙述、口径不一致。解决方案分三层：先建数据表锁定数字来源，编译器检查正文引用；将可机器判定的规则全部写成函数而非留在手册中；脚本自动检查排版后仍需人工逐页目检。Skill支持六种报告原型：咨询deck、研报、学术综述、论文、调查、科普，并通过对74份顶级机构AI报告的解剖学习最佳设计品味。项目采用MIT协议开源。
文章面向新手讲解如何为 Claude Code 和 Codex 制作个人 Skill，解决每天重复向 Agent 解释工作流程的问题。作者介绍 Skill 的本质是一个包含 SKILL.md 的目录，依赖渐进式披露机制；提出判断任务是否值得封装为 Skill 的三个信号（重复出现、依赖专有知识、错误成本高）；建议从成功协作会话中逆向工程提取 Skill，或先跑无 Skill 基线记录失败点再写规则；并详细分析三大坑：description 模糊导致不触发、把任务写成死板 SOP、SKILL.md 过长，给出 SKILL.md、references、scripts、assets 的合理拆分方式及三层验证与维护方法。
本文探讨了在模型与工具链（harness）协同进化背景下，智能体（agent）数量激增带来的管理挑战。作者指出，前沿实验室将模型与工具链作为整体优化，导致用户需要运行多个异构工具链以控制质量、性能和成本，形成“工具链舰队”。然而，人类注意力有限，成为新的瓶颈。为此，作者提出“depot”（枢纽）作为新的抽象层，集中管理多个工具链，提供状态报告、人工审查、持久执行和内部通信功能，使人类能像管理者一样专注于关键决策。文章强调，审查和评估将成为新的核心工作，并展望了未来工具的发展方向。
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。
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。
本文作者作为Superpowers插件早期用户，分析了该插件中14个skill在当前前沿模型（如GPT 5.6 Sol）日益强大的背景下的适用性。作者认为，虽然每个skill本身具有合理的软件工程依据，但作为强制工作流组合使用时，会导致流程复杂化、过度设计、时间和token消耗增加，反而降低开发效率。建议开发者根据实际需求提炼使用，而非全盘套用。
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。
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。
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。
