作者发布了 Agents Spec Skill，这是一个基于 SDD 工作流的跨 Agent 技能，旨在解决 AI Coding 在长期复杂项目中的失忆、越界和交付质量不稳定问题。该 Skill 通过建立清晰的文档分层（requirements、technical、specs）和 AGENTS.md 引导，将需求、技术方案和工程规范分离，并提供审计脚本检查结构问题。它帮助 AI 更稳定地执行任务，减少返工，适合维护长期项目或使用多个 Coding Agent 的开发者。
本文介绍了规范驱动开发（SDD）工作流，旨在解决 AI 编程中常见的“左右脑互搏”问题。作者分析了问题根源，包括上下文注意力衰减、历史决策丢失和缺乏统一规则，并提出了 SDD 的解决方案。文章详细阐述了 SDD 的核心概念、最简开发流程、规范分类与管理方法，并推荐了开源的 agents-spec Skill 工具，帮助开发者自动化规范审计和目录治理，提升 AI 编码效率。
本文是 Claude 官方文章的译文，探讨在构建 agent 系统时何时应将子 agent 折叠进主 agent 循环。文章指出，配备 skill 的单一 agent 在质量、成本和延迟方面常常优于多 agent 设计。作者分析了大型组织构建 agent 的常见失败模式（上下文管理、子 agent 泛滥、Frankenprompt、延迟等），介绍通过渐进式披露 skill 和 MCP 工具的 agent 循环设计，并给出将子 agent 迁移为单循环的分阶段方法：构建任务完成评估、合并领域 agent、将子 agent 转为工具调用、用 skill 和工具替代子 agent，以及多团队协作的治理模式。
本文基于牛客网 8 月 18 日至 10 月 18 日的一手面经，统计了 180 位作者、343 场面试、近 80 家公司的 Agent 岗高频面试题。统计显示，问得最多的是 RAG 链路和 AI Coding 工具使用（各占三成多），其次是多 Agent 拆分、Agent 评测、上下文压缩、Skill/MCP/Function Calling 边界、记忆设计、Harness 与 Agent Loop、LangGraph/LangChain 等。文章逐题列出问法、公司分布和轮次分布，并指出 Skill、MCP、Agent 评测和 Harness 在 9、10 月明显增多，手撕题仍以 LeetCode 为主。
作者分享入职大厂两个月从事 Agent 开发与后端维护的 AI 编程工作流。介绍了常用 Skill（grill、implement、ponytail、handoff 等）与简短 Prompt（第一性原理、对抗性审查、消融实验、奥卡姆剃刀、高内聚低耦合），指出随着模型能力增强，过重的 Workflow 反而成为噪声，应使用方法论式思维快捷键。同时分享了日常开发流程：grill 需求对齐、沉淀 Spec、任务拆分并行开发、交叉审查；重点讲解如何构建 Agent 友好的端到端测试环境（CLI、MCP、浏览器自动化），以及 Review AI 代码的实践。最后总结当前瓶颈在 Review 速度，Harness 需随模型迭代做减法。
作者分享了作为 Infra/Kubernetes 工程师在 AI Native 时代的工作方式演变：从 2 月认为 Code Typing 不必要，到 5 月确立「AI 放大执行、人负责判断」，再到 8 月形成信息、研发、落地、工具链的完整链路。信息层面，他用 minds（AI 参与度 90%+）和 my-kms（5%）两个知识仓库，Agent 改动走 PR 流程由人 review；编码层面推行 Spec-driven、用 guides 固化约束、自测 Agent 分层验证；工具链上自建 mind-forge、skm 等工具。核心观点：AI 善于「作」（生产、展开、润色），人负责「创」（问题、判断、观点），工作重点是决策密度、共识形成与保留个人棱角。
文章介绍了 AI PM OS——一套面向产品经理的 Agent Skill 体系。作者强调：与其信任模型凭提示词自由发挥，不如为 Agent 配备结构化技能，确保输出质量稳定。核心方法论是'监督比你更聪明的人'：通过间接提示让 Agent 自己复述问题、避免被先入为主的假设带偏，并用 /first-principles、/mckinsey-issue-tree、/causal-tree、/jtbd-forces 等技能栈按'定义问题、选择赌注、理解用户、定义成功、塑造构建、写作、推动组织'分阶段组织工作。同时利用记忆和历史会话，让 Agent 继承过往决策背景，提升产品判断力。
本文结合作者维护开源项目 CC Switch 的实际经验，深入分析 Claude Code 的项目级自动记忆（auto memory）机制。文章对比了 CLAUDE.md、自动记忆与会话历史三者的分工，解析了记忆的存储结构（索引 MEMORY.md 加主题文件）、按需加载原理、索引容量上限（200 行或 25K UTF-16 码元）及精简策略。作者通过 JSONL 台账写入纠正、方案决策背景保留、PR 审查接续三个场景说明记忆的实际价值，并指出索引超限截断、信息过时、精简后索引与正文不一致等缺陷，最后给出使用建议：明确表达纠正及原因、定期检查记忆文件、区分当前结论与历史证据。
文章推荐了一份13页的Agent记忆工程白皮书（民间整理，非Anthropic官方出品），将其拆解为5层记忆金字塔：工作记忆（上下文窗口）、情景记忆（交互日志）、语义记忆（知识图谱）、程序记忆（技能固化）和遗忘引擎（矛盾消解）。文章指出缺乏记忆分层的Agent会不断重复踩坑、成本高企，而引入该架构后Mem0的Token消耗降低90%、延迟降低91%，Snowflake准确率提升20%。核心观点是：不要迷信更大的上下文窗口，应把记忆做成可检索、可进化、可修剪的工程资产。
本文系统讲解 OpenAI 桌面执行型 Agent——Codex 的使用方法。作者首先介绍 Codex 的能力边界与 Prompt→Plan→Execute→Verify 四步执行逻辑，强调人工验证的重要性。随后详解桌面 App 三栏界面结构（项目任务管理、对话控制台、Diff 审查），并说明 Local、Worktree、Cloud 三种工作区模式的适用场景与选择原则。文章还涵盖 Plan 执行计划的开启时机、沙盒权限三档控制与审批弹窗处理方法，以及 Skill、Plugin、MCP、Automation、/goal 五类扩展功能的分工。最后提出从入门到熟练的四阶段学习路径，全文包含大量排错提示、上手练习与手绘图解，帮助读者快速建立可落地的操作直觉。
作者提出九条原则，帮助判断 Agent Skill 是否真正有效，覆盖 Skill 生命周期三个阶段：被选中、可靠执行、经受现实检验。核心观点包括：元数据描述是触发与否的关键入口；上下文是共享预算，需渐进式加载；流程与检查点优于长篇散文；规则应解释原因以应对边缘情况；预先记录并反驳模型常见的跳过理由；确定性逻辑写成脚本代码而非依赖推理；严格限定修改范围；Skill 会随库更新和约定变化而腐化，需版本化管理；上线前必须用真实用例运行验证，从观察到的行为而非想象中调试。
文章提出三个核心判断：装了 skill 不等于会被调用（Vercel 测试显示默认配置下 56% 的用例中 skill 未被触发，需显式指令）；Codex 兼容性不能靠猜，官方插件市场、npx skills CLI、git clone 三条安装路径可靠性递减；装多了会互相冲突。随后详细推荐 10 个通用 skill：superpowers、mattpocock/skills、addyosmani/agent-skills、ok-skills、graphify、archify、last30days、taste-skill、Anthropic-Cybersecurity-Skills 和用于环境校验的 agnix，并给出安装路径取舍建议与避坑清单，强调效率提升在于正确的工具链配置而非盲目堆砌插件。
本文介绍 pi-matt-pocock，一个将 mattpocock/skills 中适合工程协作的方法论适配为 Pi 持久化工作流编排器的 Pi package。它遵循最小工具暴露原则，仅提供管理命令和一个主要编排 tool，支持 idea-to-ship、hard-bug、triage、wayfinding、architecture 五条 route。相比纯 skills 方案，它通过按需加载 procedure 正文、将 route/procedure/phase 状态持久化到 session，解决了命名冲突、上下文膨胀与进度不可恢复问题。文章还延伸讨论了 skills 之外的架构设计空间，梳理了从扁平 skill 库到确定性状态机、按阶段拆分子 agent 等五种方案的权衡轴。
