🏷️ DevOps

让 Claude 半夜自己干活，只有两条路

文章探讨了让 Claude 无人值守工作的两种安全路径：一是使用隔离的闲置机器给予完全权限；二是在现有机器上通过严格参数限制权限。作者通过分析两种方案的适用场景和风险控制，提出了“爆炸半径”公式，并给出了具体的实施建议和避坑指南。

在 AGENTS/CLAUDE MD 中加入 Git 提交规则

作者建议在 AGENTS/CLAUDE MD 中加入一条规则，要求任何涉及文件变更的任务必须在最终响应前执行 git commit。规则详细说明了提交前检查、审查 diff、仅提交相关文件等要求，并讨论了不使用 Hook 的原因。

Lyft联合创始人使用Claude Code构建的九条规则

本文介绍了Lyft联合创始人Matt Van Horn在不读写代码的情况下，利用Claude Code和Codex构建开源项目并登顶GitHub Trending的九条规则。规则包括快速发布、编写计划、信任Agent、优化使用成本、提供CLI工具、让工具自记笔记等，展示了非程序员如何高效利用AI进行开发。

Pragmatic Leverage in the Software Factory

文章探讨了在软件开发中如何通过AI实现杠杆效应。仅用AI写代码只能加速部分流程，而结合规划与对齐才能获得更大效率提升。作者通过“预期痛苦”公式分析前期投入与返工成本的关系，强调在多层次规划中保持实用主义，以最大化减少返工概率。

BestBlogs 早报 · 07-29｜MCP 无状态化与多智能体编排成本

本期早报探讨 MCP 协议的无状态核心变化与 Claude 的生产化接入，分析 Codex 与 ChatGPT Work 共用的执行框架差异，并审视多智能体并行中上下文搬运的隐性成本“编排器的税”。同时涵盖图工程、vLLM 商业化及 Uber 零增长架构等速览内容。

Run Your Harness Outside of the Sandbox (Why and How)

本文探讨了2026年以来关于Agent运行位置的争论，指出行业趋势是将Agent运行在沙箱之外。作者详细解释了沙箱内运行的三个主要问题：爆炸半径、信任边界和沙箱的间歇性运行，并提出了将沙箱作为工具暴露的正确架构，最后提供了基于Vercel AI SDK的实现示例和生产环境中的挑战。

Herdr + Hermes: 多智能体配置中的三个日常技巧

文章介绍了作者使用 Herdr 和 Hermes Agent 构建的多智能体工作流。Herdr 作为类似 tmux 的多路复用器统一管理多个 AI 编程代理，Hermes 则作为开源的总部代理负责驱动其他代理。作者分享了三个实用技巧：基础编排、技能创建以及状态检查汇报，从而将混乱的终端窗口转化为高效的系统。

软件工厂为何失败：让代码评审回归

文章探讨了为什么仅靠模型无法长期维护代码库质量，提出了“模型作为评审者”的局限性。作者主张将代码评审权交还给人，并采用四阶段方法来提升开发效率：产品需求、系统架构、程序设计和垂直切片。通过早期规划和可视化工具，减少误解，提高代码质量。

管理 AI 员工团队：Ryan Carson 的高效工作系统

Ryan Carson 分享了如何作为唯一员工，通过管理云端 AI Agent 团队日处理 40 个 Pull Request 的经验。文章详细介绍了将工作迁移至云端、建立工作节奏、将重复检查自动化以及控制 Token 成本四个关键步骤，强调在 AI 时代，优秀的工程管理能力比以往任何时候都重要。

如何让你的 AI 智能体能力提升 100 倍

文章探讨了如何通过建立完善的评估系统来防止 AI 智能体随着时间推移而性能下降。作者提出了利用文件夹结构和特定提示词记录规则、错误和边界情况的解决方案，将模糊的“感觉”转化为具体的测试用例，从而确保智能体持续高效工作。

Graph Engineering: 在一个窗口构建 1000+ Agent 循环的完整指南

本文介绍了 Graph Engineering 的概念，即从线性的 Agent 循环转向图结构的工作流。文章详细讲解了如何利用 Claude Code 的动态工作流功能，通过五个步骤构建并行处理任务的 Agent 图，以解决上下文限制和执行效率问题，并探讨了在扩展到 1000+ Agent 时可能遇到的挑战及解决方案。

AI驱动的超小型工程团队实践

文章讲述了一个2人AI辅助团队在3.5个月内完成了原定7-8月的复杂计费系统重构。作者强调，通过前期构建上下文、严格的技术规格说明和代码审查流程（V.U.E.），小团队利用AI能大幅超越传统大团队的生产力。

使用 Kimi K3 构建公司操作系统的指南

本文详细介绍如何仅利用 AI Agents 和 Kimi K3 模型构建完整的公司操作系统。文章阐述了公司 OS 的核心要素，包括词汇表、数据源、心跳机制及操作界面，并提供了具体的构建原理和 Prompt，旨在解决多 Agent 协同中的状态管理和权限控制问题。

How Anthropic runs large-scale code migrations with Claude Code

Anthropic 分享了使用 Claude Code 进行大规模代码迁移的经验，包括将 Bun 从 Zig 迁移到 Rust（两周完成百万行代码）以及 Python 到 TypeScript 的迁移。文章介绍了六步迁移流程，强调建立强大的“评判者”系统、制定规则书和依赖映射，并说明 AI 如何通过并行处理和自动化验证改变了代码迁移的可行性。

从零装好 WSL，Windows 跑 Agent 的保姆级教程

本文介绍如何在 Windows 上安装和配置 WSL，以解决运行 AI Agent 时遇到的 PowerShell 报错问题。文章涵盖了 WSL 安装、开发环境配置、Codex CLI 运行、Windows 与 WSL 互通、安全隔离设置及环境备份导入等全流程。

构建 Agent 基础设施的真实挑战

文章探讨了构建 Web Agent 基础设施（如浏览器池、隔离机制、观测性等）所面临的复杂性与工程挑战。作者指出，这远不止是启动一个浏览器，需要处理冷启动、安全隔离、资源调度等深层问题，并分析了自建与购买的权衡。

Codex 对话没丢，只是被 model_provider 藏起来了：我vibe coding 了一个迁移工具

作者因 Codex 更新导致会话丢失，利用 AI 编程开发了一个迁移工具。文章分享了 AI 编程的分阶段执行方法，强调了备份、预览、数据校验和回滚等工程约束的重要性。作者认为 AI 编程的核心在于将模糊需求转化为可验证的工程流程，并提供了工具的开源链接和详细使用步骤。

个人开发者的生产级 AI 堆栈

文章探讨了 AI 时代单人开发者面临的挑战，指出虽然 AI 加速了从想法到原型的过程，但并未解决从原型到生产环境的安全和运维问题。通过分析失败案例和成功者（如 OpenClaw 作者）的实践，强调了建立构建循环、防御层和自动化运维系统的重要性。

如何基于 Codex 构建自我改进的外联系统

本文介绍了如何利用 Codex 构建一个自我改进的外联系统。通过将市场反馈记录为内存文件，Codex 自动评估并修改评分规则和话术配置，提交优化建议供人工审核，从而实现 GTM 策略的持续迭代与优化。

如何使用 Kimi K3 构建你的第一个 AI Agent 循环

本文介绍了如何利用 Kimi K3 模型的高性价比缓存机制构建 AI Agent 循环，包含原理图解、Claude Code 配置及原生 API 代码示例。文章详细阐述了目标设定、自动化检查、成本控制（低至 $0.39/轮）及常见避坑指南，帮助开发者实现自动化代码修复任务。

网页上线：最快路径，不从域名开始

本文介绍了个人网页上线的最小闭环路径。针对静态网页，作者建议直接使用 GitHub Pages 部署，无需域名、DNS 和备案。文章厘清了 GitHub、Vercel、域名及备案的关系，指出非商业项目可暂用平台网址，按需后续升级。

Claude Skills: 如何通过 Anthropic 的新功能节省 Token 并提升效率

文章介绍了 Anthropic 推出的 Claude Skills 功能，通过文件夹和 YAML 配置实现渐进式披露，显著减少 Token 消耗和重复解释。详细说明了技能的构建规则、命名规范、测试方法及分发策略，帮助用户将聊天机器人转化为高效的专业工程团队。

WorkBuddy 无痛发 X 长文流水线搭建

文章介绍了如何基于 WorkBuddy 搭建一条自动发布 X（Twitter）长文的流水线。该流程解耦了特定客户端依赖，使用 Node.js 脚本直连 Buffer 和 Typefully API，实现了从素材抓取、摘要生成、配图制作到自动排期发布的全自动化，并重点解决了非交互 shell 环境变量配置及超时等问题。

Own Your Agent Stack

文章强调企业应拥有自主的 Agent 技术栈，以避免依赖单一供应商。通过自主控制模型、数据、云和运行环境，企业能更好地保护数据和降低成本。作者提供了基于 GitHub 的快速搭建指南，并主张通过自主学习和改进来保持竞争优势。

The guide to software factories

本文介绍了软件开发从交互式编码代理向云端软件工厂的转变。软件工厂通过自动化SDLC（软件开发生命周期）的各个环节，减少人为差异，最大化软件输出，并提升安全性与合规性。文章阐述了软件工厂的概念、工作流程及其核心组件，包括云运行时、沙箱等，旨在帮助工程领导理解如何部署这一系统以解决当前交互式代理的成本和治理问题。

如何在 2026 年构建你的第一个 AI 循环

文章指出 AI 工程的杠杆点已从手动写提示词转向设计自动循环。通过引入 Slate 工具，文章详细演示了如何构建包含发现、执行、验证和迭代步骤的 AI 编程循环。涵盖了环境配置、技能定义、状态管理及队列文件的使用，旨在通过自动化闭环大幅减少人工干预，实现持续验证的任务完成机制。

零基础建站完全指南（收官）：决策地图与避坑清单

本篇为零基础建站系列的收官总结，并未介绍新工具，而是通过一张决策地图梳理了从练手到正规运营的三种建站方案（纯免费、免费+域名、国内正规），详细对比了成本与优劣。文章重点讲解了如何从海外免费路线平滑升级至国内正规备案路线，并汇总了代码、部署、域名及备案环节的全流程避坑清单，旨在为初学者提供一份完整的建站速查手册。

后端工程师进阶路线：40个核心概念与六个成长阶段

本文为准备系统设计面试的后端工程师提供了一份详尽的学习指南。作者将零散的技术知识点整合为六个递进阶段：从Web基础、数据库管理，到构建生产级应用、系统扩缩容，再到分布式系统思维与架构设计。文章强调技术概念间的内在联系，旨在帮助开发者通过系统性的学习路径，从初学者成长为合格的软件架构师。

6 个检查项——手把手带你发布自己的 Agent 产品

文章探讨了将本地 Agent Demo 转化为可商业化产品的六大工程挑战：会话记忆持久化、工具调用沙箱隔离、调用链路追踪、模型成本控制、前后端一体化交付以及技术栈与框架的灵活性。作者以腾讯云 EdgeOne Makers 平台为例，演示了如何高效解决这些工程化难题，实现 Agent 应用的快速开发与部署。

30秒画完一张产品架构图，Skill开源给你

本文介绍了开源项目 drawio-generator，这是一个专为 Claude Code 等 AI 工具设计的 Skill。通过该工具，用户仅需一句话即可在 30 秒内自动生成专业的产品架构图、流程图或时序图，并输出为 .drawio 文件。文章详细展示了生成效果，提供了无需编程的“一句话安装”指南，并阐述了其适用的多种场景。该项目采用 MIT 协议，旨在解决手动绘图耗时、排版困难的问题。

做 AI 工具站要装哪些 SEO 工具？完整清单与避坑指南

文章基于 agentskillshub.top 上线 16 周的实战经验，将 SEO 和 GEO 基础设施所需的工具栈分为站长后台、行为分析、转化埋点、自动化、发布及体检六大类。作者详细介绍了 GSC、GA4、Plausible、Stripe、Ahrefs 等 20 多种工具的安装配置与 API 用法，并总结了 15 条极具价值的避坑指南，覆盖了从数据误读、转化设置到自动化排程等常见痛点。

角色重构——工程师从「写代码的人」变成「编排 Agent 的人」

本文探讨了在 AI 时代，工程师角色的根本性转变。通过 OpenAI、Spotify 等案例，指出工程师正从「写代码的人」转变为「编排 Agent 的人」。文章详细阐述了新角色的四个维度：设计约束、编写 Spec、构建 Harness 和审阅产出。团队结构也随之重组，从按技术栈分工转向按 Spec/Review/Harness 流程分工。

10分钟上线网站：Vercel保姆级教程，含部署失败排坑指南

本文是建站系列的第四篇，提供了详细的 Vercel 部署教程。文章介绍了 Vercel 的免费额度与商业模式，涵盖了注册流程、单文件及 Fork 模板项目的部署步骤。重点讲解了如何配置框架预设和环境变量，并提供了利用 AI 辅助排查部署失败问题的方法。最后，针对国内访问 Vercel 不稳定的问题，作者给出了绑定自定义域名等解决方案。

Infra 和 AI：大人，时代变了

作者分享了使用 Fable 5 开发 cocoon 和 sandbox 项目的体会。通过回顾豆瓣时期的架构经历，阐述了 Infra 工程的核心在于权衡和“背锅”。文章认为虽然 AI 放大了设计者的执行力，但在策略判断上仍需 Human in the loop，并感叹资深工程师虽工具更强，但面临时代变局的挑战。

循环工程：从提示词操作员到循环设计者的 14 步路线图

文章探讨了从手动编写提示词向设计自动化循环系统的转变。通过借鉴 Anthropic 和 Addy Osmani 的经验，文章提出了 14 步路线图，分为判断必要性、学习五个核心组件（自动化、Git Worktree、Skill、连接器、子 Agent）和搭建最小可用系统三个阶段，旨在帮助开发者利用 Agent 实现更高杠杆的工程效率。

Git Worktree：AI 编程时代，被重新发现的 Git 神器

文章介绍了 Git Worktree 的功能与使用场景。通过允许一个仓库关联多个独立工作目录，Worktree 解决了开发中频繁切换分支导致的上下文丢失问题。在 AI 编程和多 Agent 协作的并行开发时代，Worktree 能有效隔离任务现场，避免互相干扰，是提升开发效率的实用工具。

写好一份 Spec 的实战手册

本文属于「AI 时代的编码新范式」系列，旨在解答在 AI Agent 开发中如何编写 Spec。文章首先厘清了 Spec 与 PRD、设计文档及用户故事的区别，指出 Spec 应定义软件行为而非描述需求。接着提出了 Spec 的五要素：目标、约束、边界、验收标准和技术上下文。最后倡导从三句话开始，将 Spec 视为随项目生长的活文档，以提高 Agent 开发的准确性和安全性。

如何换机恢复 Codex 工作区：项目、全局与凭据的分层备份

本文阐述了在更换电脑时，如何完整恢复 Codex 工作区。作者指出工作区包含项目仓库、全局规则和本机授权三层，不能混在一起备份。文章建议使用 GitHub 私有仓库恢复项目资产，单独备份 CodexHome 以保留跨项目技能和习惯，并强调不应迁移 Token 和 Session 等敏感凭据。最后提供了一份包含环境安装、代码克隆、重新授权和功能验证的完整恢复清单。

Claude Code 官方循环工程入门指南

本文介绍了 Claude Code 中的“循环”概念，即智能体重复执行任务直到满足停止条件。文章详细讲解了基于回合、基于目标、基于时间和主动式四种循环类型，并提供了相应的使用场景与示例。同时，文章还分享了保持代码质量和管理 Token 用量的最佳实践，帮助开发者高效利用 Claude Code 完成复杂的自动化任务。

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。

Karpathy's Agentic Engineering Finally Has Proper Tooling

文章介绍了 Google 发布的 Agents CLI 工具，它填补了 Karpathy 所定义的“代理工程”中的工具链空白。该工具将脚手架搭建、评估循环和部署整合到一个工作流中，并将 7 种核心技能注入到 Claude Code、Cursor 等编码 Agent 中。作者演示了如何利用该工具从零开始构建、评估、部署并注册一个企业级 RAG Agent，实现了仅通过自然语言指令即可完成从开发到生产环境的全生命周期管理。

我的 AI Coding Guide

本文分享了作者在使用 AI Agent 辅助编程时的实战经验。文章从精力管理、工程管理、快速反馈三个维度出发，提出了十一条核心原则，包括“Prompt即规格说明”、“使用最强模型”、“可逆沙盒原则”以及“Fail Fast”等。作者强调，在使用 AI 编程时，开发者应从执行者转变为管理者和审查者，利用工具链（Git、CI/CD）进行风险控制，确保代码的可维护性与安全性。

AI 开发新范式：从 Prompt 到 Loop 的演变

文章指出传统单次 Prompt 效率低下，真正的生产力提升在于“循环”。作者详细解析了 AI Loop 的核心机制：发现、规划、执行、验证和迭代。文章强调验证和状态管理的重要性，并区分了适用场景。最后，介绍了在代码工程中构建 Loop 的五个关键要素：自动化、技能封装、子代理分离和连接器，旨在让 AI 独立完成闭环任务。

从 Prompting 到 Loop Engineering：AI 编程的新范式

文章提出 AI 编程领域正在从人工编写提示转向设计循环。Loop Engineering 是指编写自动化的程序来驱动编码 Agent，通过设置目标、执行、检查和反馈的闭环，实现无人值守的代码生成与修复。文章分析了循环的五种演进形式及六个核心组件（如触发器、隔离、上下文等），并结合 Claude Code 的 /goal 命令展示了具体的工程实践。

Agent Loop 很火，但基座才是关键：从单代理到自我进化系统的 14 步路线图

文章指出，尽管循环工程备受关注，但决定代理上限的核心是其下层的“基座工程”。作者提出了从单代理到自我进化系统的 14 步路线图，涵盖基座定义、核心配置（记忆、权限、子代理）、技能封装、钩子强制执行、循环自动化、动态工作流编排，以及通过状态文件实现系统自我进化的方法。

全网 Codex Skill 指南：精选资源与安装教程

本文系统梳理了 Codex 的 Skill 生态，指出安装核心 Skill（如 create-plan、gh-fix-ci）是将其从聊天机器人升级为工程团队的关键。文章汇总了必 Star 的官方与社区仓库，按场景（规划、CI/CD、测试、前端等）分类精选了神级 Skill，并提供了保姆级的安装与调用教程，最后分享了自定义 Skill 及进阶组合玩法，帮助开发者最大化利用 AI 编程工具。

构建 Agent 技能的自我改进循环

本文介绍了如何通过“自我改进循环”提升 Agent 的技能质量。作者以 Issue 分类为例，展示了如何构建双层循环架构：内层循环负责执行具体的分类任务，外层循环则根据人工反馈自动调整技能代码。利用 GitHub Actions 和云代理平台，系统能持续从历史交互中学习并优化自身。

关于循环工程的思考：验证是核心

本文探讨了“循环工程”（Loop Engineering）的概念，即从编写提示词转向设计运行 Agent 的系统。文章指出，尽管生成器很重要，但循环架构中的核心瓶颈其实是验证器。通过 Bun 移植 Rust 的案例，作者强调了无论内外循环，严格的质量验证和测试才是决定项目成败的关键。

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。

构建递归智能体系统：扩展 Composer 训练规模

本文介绍了 Cursor 如何构建一个包含数千个 Agent 的递归系统，以加速 Composer 模型的训练。系统通过主 Agent 管理子 Agent 的“健康”状态，实现并行实验的自动化监控与故障修复。该架构将研究员的效能提升了数量级，使大量计算资源能像企业组织一样协同工作。