我是如何用 Orca 做 Graph Engineering
作者分享了用 Orca 编排多 agent 进行移动端开发一个月的实践经验。通过一个真实案例说明假前提如何导致整张依赖图建立在错误基础上，并提出 Graph Engineering 的三大支柱：图把长任务拆开跑起来（图是长出来的而非预先画完）、用 agent-device 真机验收等 anchor 防止假成功、以及通过闸门机制掌握改图权。作者强调失败信息比成功更有价值，三者结合才能构成反脆弱系统。
相关文档
我是如何用 Orca 做 Graph Engineering
作者分享了使用 Orca 进行 Graph Engineering 的实践经验，通过拆分任务给 Agent 执行，结合编排调度和真机验收，解决了长任务拆解、动态调整依赖和防止假成功的问题，强调了 Graph、Eval 和权限控制三者结合的重要性。
Wu-Tang Forever: My Hermes Multi-Agent Setup Ain’t Nuthin’ to F*ck With
作者分享了重构 Hermes 多代理系统的经验，批评了当前将角色扮演误认为真正多代理系统的现象。文章提出了三种架构模式：一次性子代理、永久专家配置和群体，并强调了编排者的重要性。作者以 Wu-Tang Clan 成员命名不同职责的代理，展示了严格的权限边界和清晰的职责分配。
多智能体协作开源神器：涵盖266个AI Agent角色，20个部门
文章介绍了开源项目agency-agents-zh（GitHub 15.8k Stars），它为AI装上266个专业角色人格，覆盖工程、设计、市场、法务等20个部门。每个Agent以YAML文件定义身份、职责、风格和可用工具，适配Claude Code、Cursor、Copilot等18种AI工具。项目还提供orchestrator多智能体协调器，可将任务自动拆分并分配给对应Agent并行协作，输出完整方案。文章还展示了安装、自定义创建Agent及实际调用的代码示例。
公开焚诀｜Orca 从入门到精通：一个人同时指挥一群 AI Agent 的秘密
文章是开源 AI 开发工作台 Orca 的详细入门与进阶教程。Orca 是一个 ADE（Agent Development Environment），让用户在一个窗口里同时指挥多个编程 Agent（如 Claude Code、Codex、Cursor），每个 Agent 拥有独立代码副本互不干扰。作者讲解了 Orca 如何解决多 Agent 并行开发中的四大痛点：副本环境配置、任务监控、代码验收和厂商绑定，并提供了实际工作流示例，包括让三个 Agent 赛跑修复高危 bug、会话派生与跨 Agent 交接、内置浏览器精准定位 UI 元素、逐行批注验收、AI 代码归属标记，以及用 Agent 担任项目经理的编排功能。
用 Grok Bot 注册 Claude，搭配 Orca + Tailscale 打造 7×24 在线的 Claude Code 云主机
本文介绍如何利用 Grok Bot 赠送的美国云电脑（8核16GB），搭建一个 7×24 小时在线的 Claude Code 运行环境。作者将全文设计成可直接交给 Grok Bot 执行的教程，分四步完成：安装 Tailscale 组网、注册并订阅 Claude、安装 Orca 作为远程服务器、通过任意设备的 Orca 客户端连接使用。文章重点解决了两大坑：云电脑没有 systemd，以及 Grok Bot 自动更新会清除 home 目录以外的软件，为此提供了看门狗脚本、定时恢复任务和官方 AppImage 安装方案。作者强调与其伪装环境躲避风控，不如使用真实的美国本地环境，并提醒读者自行评估封号风险。
当Taste Harness遇上塔勒布Taleb
文章将塔勒布的不确定性思想引入Taste Harness的设计，探讨在开放世界中如何面对不可预测性。核心观点包括：从预测事件转向安排敞口；重视个体路径而非群体平均（遍历性）；判断者须与承担后果者为同一人（skin in the game）；区分二元预测与真实后果的四个象限；用林迪效应正确评估资历；通过脆弱性检测（再大一倍会怎样）识别风险；以期权思维做有底下注；用否定法坚守'不为'；以杠铃策略拒绝乡原式平庸；并定义经验为挨过冲击后边界的真正改变。
Pi Durable 中文详细解读
文章详细解读了 Earendil 和 Pi 社区发布的 Pi 1.0 及实验性新框架 Pi Durable。Pi Durable 专为构建长期运行、持久可靠、可动态改变、跨环境运行的 Agent 而设计。文章系统阐述了 Harness 的概念（Conversation、Agent、Tool、Execution Environment、Task），并重点介绍了其核心特性：崩溃恢复机制（基于 Checkpoint）、Exactly-once Submission 语义、多 Conversation 并发与 Fork、可插拔的 Extensions 体系、动态 System Prompt、Tool 的安全重放模型、Subagent 的轻量化实现、Hooks 拦截机制、Ownership Tree、前后台 Task 以及支持无限长对话的 Compaction。Pi Durable 秉承极简与可塑性原则，已超越普通 Agent Loop，具备了 Durable Workflow Runtime 的能力。
AX：把 Kubernetes 的心智模型搬到 agent 上
AX 是 Google 开源的 agent 编排器，借用 Kubernetes 的心智模型来管理大规模 agent。它针对 agent 需要积累状态、严格隔离、调用外部模型 API 且容易在循环中消耗资源的特点，提供四个声明式原语：Task（最小隔离执行单元）、Workspace（声明化环境装配）、Gateway（网络边界控制）和 Model（命名化模型配置）。命令行刻意设计成 kubectl 风格，支持秒级挂起与恢复。架构上状态存储在 Redis 而非 etcd，底层依赖独立项目 Agent Substrate 作为执行层。部署需要 Kubernetes 集群，适合大规模 agent 评测、RL 循环和管 coding agent 的团队，不适合个人开发者。
清华团队开源C2C技术：大模型缓存直连，绕过文字交流
清华大学联合无问芯穹、上海AI Lab发布C2C（Cache-to-Cache）技术论文（ICLR 2026），彻底改变多智能体系统通信范式。传统Multi-Agent协作中模型需将高维思考压缩为文本逐字解码再传递，造成延迟、语义丢失和高昂Token成本。C2C通过轻量级神经网络（Neural Fuser）将模型A的KV-Cache直接旋转对齐后融进模型B的KV-Cache，并引入可学习门控机制动态决定各层吸收外部缓存的程度。实测推理速度提升2.0-2.5倍，问答准确率较单模型提升14.2%，比文本通信的Agent团队高5%。代码与论文均已开源，未来有望大幅降低Mixture-of-Agents调用成本。
Graph Engineering：为普通人打造AI可读的知识图谱
本文介绍“图工程”（Graph Engineering）概念，即通过构建文件间的连接关系，让AI系统能够有效访问和利用知识。作者以自身内容系统为例，指出78%的文档因缺乏指向而无法被AI或新成员发现。他提出用Claude Code生成MAP.md文件，绘制文件夹内文件的关系图，并分三步操作：绘制地图、解读结果、优化结构。文章强调文件夹结构应反映业务划分，而非照搬模板，最终实现团队共享和自动化更新。
从 0 到 1 搭 Multi-Agent Eval：预测准不准，协作值不值，决策能不能用
本文介绍如何为多 Agent 团队搭建评估体系，以电商场景为例，通过五步流程：设计含陷阱的测试用例、保存 trace 回放协作过程、用结果/协作/决策三张成绩单分别评分、与单 Agent 及重试基线在同等预算下对比、将失败案例加入回归集。文章强调交接信息完整性、冲突解决、角色消融与协调增益等关键检查点，并给出可直接运行的最小 harness 代码示例。
Shopify 从 React Native 迁回原生开发
Shopify 宣布将所有移动应用从 React Native 迁回 Swift 和 Kotlin 原生开发。2020 年全面拥抱 React Native 曾带来巨大成功：一次开发多端复用、节省时间、让非移动端开发者也能参与。但随着 LLM 能力大幅提升，它能基于 iOS 实现生成 Android 版本、帮助开发者跨栈工作，并通过共享规范、测试和评审保持两端一致，使得双平台原生维护成本不再成为决定性因素。Shop 应用从概念验证到全量原生重建仅用 12 周上线。Shopify 承诺平稳移交 React Native Skia、FlashList 和 Restyle 等开源项目。
