Esc 关闭
Agent 不是模型变强就够了——它是模型 + 工具 + 状态 + 控制流的工程问题。这一辑收录所有偏工程视角的长文：从 Anthropic 内部的 Harness 工程方法论、泄露源码里 Claude Code Runtime 的真实切片，到罗福莉关于第二幕「模型 + 框架 + 生态位」的判断，再到企业把 AI 当工作伙伴落地的三个动作。
本专题共收录 27 篇文章。
用 FLOW 四步框架把谷歌的 AI Agent IDE 跑成「员工编制」
大部分人把 AntiGravity 当成 Cursor 的同类——一个会写代码的聊天框。但它真正的位置在更上一层：一个把多个 AI Agent 当作并行员工调度的 IDE。Jake Roberts 用 FLOW（Frame / Layout / Orchestrate / Wrap）四步框架，把这套工具从「写代码」抬升到「跑业务流」。本文把视频教学重构成可复用的工程方法。
AGI 不是某级台阶，而是一座没有尽头的雪山——问题不可避免，但总能被解决
月之暗面创始人杨植麟把大模型的前路看成一座无限的雪山：AGI 是方向而非终点。真正的范式跃迁是从「缸中之脑」走向能与世界交互的 Agentic LLM；当下最硬的瓶颈不是推理而是泛化，解法是用更高一层的能力（L4）去解一层（L3）的难题。
不碰模型主航道，用错位判断卡住时机，再用现金流与节奏熬过死亡谷
Lovart 创始人陈冕复盘 AI 应用创业两年的核心判断——应用创业拼的不是产品经理，而是对终局的判断、对时机节奏的把握，以及熬过黑暗的心力；垂类 Agent 靠差异化数据与先发心智避开大模型主航道，而第一次创业的最大教训全在现金流与融资节奏上。
不做模型、不烧钱投放，靠提前卡位 Agent 产品形态吃模型能力外溢的红利
肖弘判断 AI 应用的每一次爆发都由模型能力先行驱动，应用公司的机会不是追逐热点，而是提前预判下一代能力、把产品做好等在前面。Manus 选择不做模型、不买流量，押注「虚拟机 + 浏览器 + 自主写代码」的通用 Agent 架构，用消费级定价和异步体验去承接模型能力的外溢。
不是赢在押对赛道，而是赢在「想清楚不做什么」与让别人替你训模型
Manus 联合创始人兼首席科学家季超在决定出售前回望奇幻的 2025 年。真正决定结局的不是某个高光时刻，而是三段创业攒下的教训：不碰垂直整合、不买「模型彩票」、把训模型外包给整个行业、用「不做什么」对抗 AI 时代过剩的产能。
从「会聊天的 AI」到「会动手的 Agent」，决定上手快慢的不是命令，是认知
Claude Code 的本质不是代码补全插件，而是住在终端里、能自己读项目、改文件、调工具的 Agent。真正用好它，靠的不是记命令，而是三件事：把它当一个会动手的助手来理解、按场景类型派活、用拆解与版本控制约束它的不确定性。
用俞军的「广义交易系统」视角，把技术决策换算成有利可图的用户价值
工程师的价值被 DAU 放大，却常常缺少判断「该往哪做」的标尺。俞军《产品方法论》给出的答案是：商业的本质是广义交易系统，产品即交易本身，而产品经理的内功是用户模型与交易模型——把这套换算迁移到技术上，工程师就能像经营产品一样经营自己的系统。
用 tree-sitter 确定性建图、不靠向量嵌入，把代码库变成 AI 能直接查的持久记忆
Claude Code 的最大痛点是没有记忆——每次提问都靠全局搜索盲找、烧掉大量 token。Graphify 用 tree-sitter 把代码库确定性地建成一张知识图谱，给 AI 一份可查询的地图；实测同一个问题省下约六成 token，回答还更准。
当 AI 从单兵实习生升级为可并行调度的工程团队，工程师的角色也要换岗
Claude Opus 4.8 同日发布的「动态工作流」让 Claude Code 学会自己写编排脚本、并行调度数百个子 agent、内置审查与修复循环。Bun 作者 Jarred Sumner 用它在 11 天里把一个 Zig 项目移植成约 75 万行 Rust，现有测试套件通过率达到 99.8%。这篇文章拆解它为什么是范式转变，以及工程师该把竞争力放到哪里。
百融智能 CEO 的实战拆解——硅碳比、硅基员工之家、从简单高频起步
老板们既兴奋又焦虑——AI 时代来了，但不知道从哪起步。百融智能 CEO 张韶峰从自家 20 万硅基员工的实战拆出 3 个动作：先放大不替换流程、把硅基员工当人管、从简单高频任务起步。前提是一个认知翻转：AI 不是工具，是和你平齐的工作伙伴。
小米大模型负责人罗福莉拆开第二幕的胜负手——OpenClaw、1T 入场券、卡分配 3:1:1
罗福莉在 OpenClaw 发布后的 3.5 小时访谈给出 5 个判断：OpenClaw 是 Agent 时代的分水岭不是壳；1T 模型是 Agent 第二幕的入场券；Coding 是泛化黄金赛道；研究/预训练/后训练算力比 3:1:1；招本科生比招博士更敢想，环境比经验更重要。
Claude Code 的全部复杂度，都在回答两个问题——怎么安全可靠，怎么压榨有限上下文
Anthropic 意外泄露 Claude Code 源码后，可以第一次从代码层面拆开一个真实可用的 Agent Runtime。它的全部复杂度——query 循环、七级错误恢复、Tool 协议、压缩梯子、transcript、多 Agent 分层——其实只在回答两件事：让模型自主行为安全可靠，以及在永远有限的上下文里把任务完成。
从对话框到常驻员工，每一次跃迁都在收敛同一个开环
2022 到 2026，AI Agent 经历了从对话框、工具调用、工程编排、标准协议到常驻员工的五次范式跃迁。每一代的解药都来自上一代的泡沫，每一代的红利都被下一代的基础设施吞噬——真正的演进主线是「闭环」二字。
Anthropic 用 12 个成功案例拆出的四阶段生命周期，核心只有一句话——别在没有人要的东西上构建系统
Anthropic 2026 年 5 月发布的《AI 原生创业者战术手册》基于 12 家 Claude 创业案例，重写了创业生命周期。核心结论是：AI 把验证成本从几个月压到一下午，但创始人最容易犯的错，恰恰是用 AI 跳过验证、直接构建。
用四层结构化控制，把大模型 Agent 的不确定性变成可工程化的输出
Harness 工程的本质是熵减——通过显式拆出的四层结构（外部记忆 / 工具调用 / 状态构造 / 结构化控制），让大模型 Agent 的不确定性可被工程化地收敛。
2025 年 5 月 AI 行业 10 大洞察
AI 真正的分水岭，不是模型有多强，而是当所有人都开始付账之后——它是否还能创造出足够大的生产率红利。
一个写了五万星教程的工程师，把 Harness 从概念拆回工程现场
来新璐是 GitHub 五万星教程 Learn Claude Code 的作者。他用「执行 / 上下文 / 编排」三层重新切开 Harness，并给出两条判断好坏的硬尺子——是否与模型当下的运行自洽、是否与模型未来的进步正交。源码泄露带出的真正惊喜不是结构，而是 Claude Code 的双 hook 记忆与压缩交接策略。
Claude Code 产品负责人首次拆解 Anthropic 把发布周期从六个月压到一天的全套机制
Lenny's Podcast 访谈 Anthropic Claude Code 产品负责人 Cat Wu，主题是「为什么 Anthropic 的产品团队比所有人都快」。她把答案拆成四块：刻意压低过程、设立 Research Preview 兜底、招进具备 product taste 的工程师，以及在「为今天的模型做产品」和「为明天的 AGI 做产品」之间走钢丝。
越顶级的规则字数越少——这才是写 Skill 的真功夫
Claude Code 源码意外泄露后，作者从里面剥离出 12 个内建 Skill，全部加起来不到 60KB，平均每个不到 5KB。它们不是花哨的提示词模板，而是被 Anthropic 反复打磨过的"规则铁路"。这篇文章把 12 个 Skill 按"调度、反思、护栏、节流"四类摊开，给出每个的核心规则、典型场景、可直接照抄的精简范式。
把 LangChain 生态拆成三层，看清 Deep Agents 站在了谁的肩膀上
LangChain 生态从 Chain 一路演化到 Deep Agents，本质是一套三层结构：LangGraph 当运行时管可靠执行，LangChain 当框架管快速开发，Deep Agents 当套件把行业最佳实践打包成开箱即用的 harness。理解这三层的分工与依赖方向，是不在框架洪流里迷路的第一课。
从代码补全到自主智能体团队，AI 编程的进阶路径与团队短板
智能化工程（Agentic Engineering）不是把 Agent 做扎实，而是看团队怎么用智能化工具展开软件工程。作者把它分成 8 个递进层级，真正决定团队上限的不是顶层概念，而是 3-5 层这块地基：上下文工程、复利工程、MCP 与技能。
Cursor、Claude Code、Codex 都在为同一笔代码废料债买单
Theo（t3.gg）从亲手投资 Cursor 的角度，把 Cursor、Claude Code、Codex 共同的卡顿、闪退、消息丢失等「不一致」问题拆到底——根因不是模型不行，而是这些公司在模型还很弱的时候就 100% 用自家工具写自家代码，让前六个月堆下的废料指数级扩散。文章把他的吐槽收敛成三层论点：表层 UX 烂、中层代码库惯性、底层方法论错位，并给出可操作的反向路径。
不写代码，把谷歌的 Agent IDE 从「打开」跑到「能复用」只要三个动作
新手第一次打开 AntiGravity，最容易卡死在「我该输入什么」。这篇用李哈利 Harry 的入门教学，把第一次跑通的路径压缩到三步：先装环境与一份 AGENTS.md，再装一个 marketplace 现成的 Skill 试跑，最后用 skill-creator 自己造一个属于你的 Skill。心智模型只有一句：Skill = 给 Claude 的专属提示词，专治重复劳动，不治创作灵感。
Agent 不是更会聊天的 LLM，而是一套可构建、可运行、可治理的工程系统
Google 在 2025 年 11 月一次性放出五篇 Agent 白皮书，等于给从业者发了一张统一的架构地图。本文拆解第一本 Introduction to Agents：把 Agent 重新定义成「Model + Tools + Orchestration + Runtime」的四件套，按 Level 0–4 标定系统承诺，并用上下文工程、AgentOps、安全治理三把尺子衡量它能不能上生产。
Hooks 是纪律、Skills 是知识、Commands 是流程、Agents 是分工——四件套协同才能把激活率从 25% 抬到 90%
Skills 写了一堆却只有 25% 的激活率，根因不是模型不聪明，而是缺一套强制评估的制度。本文复盘抓蛙师在一个企业级项目里跑通的 Claude Code 工程化方案——用 Hooks 做强制评估、用 Skills 做知识沉淀、用 Commands 做流程编排、用 Subagents 做专业分工，把激活率从 25% 拉到 90%。这是入门指南之后的工程化下半场。
AI 让代码廉价，但旧 Sprint 节奏正在反过来吃掉团队的整体效率
麦肯锡发现，企业上完 AI 工具后整体生产率只提升了 5%-15%，问题不在工具，而在还在用十几年前为「人写代码」设计的敏捷操作模型去套一个 AI 深度参与的新世界。真正该升级的，是规范、价值流和人的工作重心。
蒸汽机只能给你 2 倍，福特流水线才能给你 100 倍
大多数人用 AI 编程的方式仍停留在「蒸汽机阶段」——一次任务一次解决，干完归零。真正的 10–100 倍杠杆在于：把 AI 当流水线而不是电钻，让项目知识沉淀成可复用的上下文，让 AI 自己积累经验、自己训练，最终把你自己从执行链路里摘出去。