Now vibe coding, so learning hammer FE ?
《TanStack AI 进入 RC 阶段：从 humble chat() 到完整 AI 生态》
标签：
#前端开发 #AI框架 #TanStack #TypeScript #开源
总结：
TanStack AI 正式从早期原型迈入 RC（Release Candidate）阶段，标志着其从一个简单的 LLM 聊天方法，成长为覆盖聊天、媒体生成、MCP、沙箱、Agent 编排等全场景的 AI 开发框架。核心设计哲学是"不锁定用户"——在传输层、提供商、前后端技术栈上都保持中立，同时通过极致的类型安全和统一的 API 模式降低学习成本。项目由三人业余时间维护，完全开源，无商业路线图。
文章要点：
1. 从小 chat() 到大生态 — 最初只有 4 个提供商和一个自定义协议，如今已支持 24+ 提供商，采用 AG-UI 官方协议（被 20+ Agent 框架跨语言支持），并扩展到媒体生成、MCP、沙箱、Agent Harness 等领域。
2. 中间件是架构的核心超能力 — 几乎所有高级功能（持久化、沙箱 Agent、内存、遥测）都以中间件形式接入 chat() 方法，Durability 则通过适配器插入流式响应。Lazy Tool Calling 用一个布尔标志就能降低 Token 成本。
3. 传输层零锁定 — 提供 SSE、WebSocket、HTTP Stream、Cap'n Web 等原生传输原语，客户端通过自定义连接适配器消费流，让你对传输层有端到端的完全控制权。
4. 一套 API 模式打遍所有模态 — 无论是文本生成、图像生成、视频生成、音频生成、转录还是实时音频，API 结构几乎完全相同。学一次模式，换适配器即可，不用学 20 套不同 API。
5. 类型安全是 DNA 级别 — 不支持的模型选项、缺少必填属性、把某提供商专属工具传给不支持的模型……统统在编译期报错。目标是让你在再复杂的应用里也能自信上线。
6. chat() 方法是全能核心 — 支持直接对话 LLM 和沙箱 Agent Harness；内置持久化与 Durability（刷新页面、切换对话后能从断点实时续流）；支持 Codex 等 Agent 在远程/本地沙箱中运行；还有 Code Mode（Agent 在 isolate 中写代码并执行，优化性能和成本）。
7. 媒体生成是一等公民 — 实时音频、TTS、图像/视频/音频/音乐生成、转录等全部稳定可用，覆盖 100+ 模型。支持流式直传客户端或一次性生成，两者切换无缝。
8. RAG 与记忆 — 通过 Cohere、OpenRouter 等提供商支持嵌入和重排序；支持所有主流厂商的 Agent 记忆，让 Agent 跨对话记住用户偏好和关键事实。
9. 沙箱与 Agent Harness 不挑提供商 — 不强制你用 Daytona、E2B 或 Vercel Sandboxes，基础设施随你选。支持 Codex、Claude Code、Grok、OpenCode 等 20+ ACP 兼容 Agent，甚至能自建本地编码 Agent。
10. MCP 支持带类型生成 — 不仅能连接外部 MCP 服务器，还能通过 CLI 为远程 MCP 暴露的工具生成类型，保持端到端类型安全。支持连接池和生命周期管理。
11. 持久化与 Durability 是亮点 — 提供存储原语，你只需实现 Store 并通过一致性测试套件验证，接入持久化中间件后，用户一个月后回来也能从断点续聊。Durability 适配器可将流块持久化到内存、Durable Streams 等，用户重连后不会漏掉任何内容——全部配置约 20 行代码。
12. 未来路线图 — 核心架构已锁定，接下来重点在 Agent 工作流与编排（并行运行、定时任务、复杂工作流协调），以及继续补齐提供商生态。完全开源，无商业 upsell，欢迎社区贡献。
URL：
https://tanstack.com/blog/tanstack-ai-rc
标签：
#前端开发 #AI框架 #TanStack #TypeScript #开源
总结：
TanStack AI 正式从早期原型迈入 RC（Release Candidate）阶段，标志着其从一个简单的 LLM 聊天方法，成长为覆盖聊天、媒体生成、MCP、沙箱、Agent 编排等全场景的 AI 开发框架。核心设计哲学是"不锁定用户"——在传输层、提供商、前后端技术栈上都保持中立，同时通过极致的类型安全和统一的 API 模式降低学习成本。项目由三人业余时间维护，完全开源，无商业路线图。
文章要点：
1. 从小 chat() 到大生态 — 最初只有 4 个提供商和一个自定义协议，如今已支持 24+ 提供商，采用 AG-UI 官方协议（被 20+ Agent 框架跨语言支持），并扩展到媒体生成、MCP、沙箱、Agent Harness 等领域。
2. 中间件是架构的核心超能力 — 几乎所有高级功能（持久化、沙箱 Agent、内存、遥测）都以中间件形式接入 chat() 方法，Durability 则通过适配器插入流式响应。Lazy Tool Calling 用一个布尔标志就能降低 Token 成本。
3. 传输层零锁定 — 提供 SSE、WebSocket、HTTP Stream、Cap'n Web 等原生传输原语，客户端通过自定义连接适配器消费流，让你对传输层有端到端的完全控制权。
4. 一套 API 模式打遍所有模态 — 无论是文本生成、图像生成、视频生成、音频生成、转录还是实时音频，API 结构几乎完全相同。学一次模式，换适配器即可，不用学 20 套不同 API。
5. 类型安全是 DNA 级别 — 不支持的模型选项、缺少必填属性、把某提供商专属工具传给不支持的模型……统统在编译期报错。目标是让你在再复杂的应用里也能自信上线。
6. chat() 方法是全能核心 — 支持直接对话 LLM 和沙箱 Agent Harness；内置持久化与 Durability（刷新页面、切换对话后能从断点实时续流）；支持 Codex 等 Agent 在远程/本地沙箱中运行；还有 Code Mode（Agent 在 isolate 中写代码并执行，优化性能和成本）。
7. 媒体生成是一等公民 — 实时音频、TTS、图像/视频/音频/音乐生成、转录等全部稳定可用，覆盖 100+ 模型。支持流式直传客户端或一次性生成，两者切换无缝。
8. RAG 与记忆 — 通过 Cohere、OpenRouter 等提供商支持嵌入和重排序；支持所有主流厂商的 Agent 记忆，让 Agent 跨对话记住用户偏好和关键事实。
9. 沙箱与 Agent Harness 不挑提供商 — 不强制你用 Daytona、E2B 或 Vercel Sandboxes，基础设施随你选。支持 Codex、Claude Code、Grok、OpenCode 等 20+ ACP 兼容 Agent，甚至能自建本地编码 Agent。
10. MCP 支持带类型生成 — 不仅能连接外部 MCP 服务器，还能通过 CLI 为远程 MCP 暴露的工具生成类型，保持端到端类型安全。支持连接池和生命周期管理。
11. 持久化与 Durability 是亮点 — 提供存储原语，你只需实现 Store 并通过一致性测试套件验证，接入持久化中间件后，用户一个月后回来也能从断点续聊。Durability 适配器可将流块持久化到内存、Durable Streams 等，用户重连后不会漏掉任何内容——全部配置约 20 行代码。
12. 未来路线图 — 核心架构已锁定，接下来重点在 Agent 工作流与编排（并行运行、定时任务、复杂工作流协调），以及继续补齐提供商生态。完全开源，无商业 upsell，欢迎社区贡献。
URL：
https://tanstack.com/blog/tanstack-ai-rc
TanStack
TanStack AI Enters the RC Phase | TanStack Blog
TanStack AI enters the release candidate phase. The architecture is locked in, with 24 providers, AG-UI, media generation, MCP, sandboxes, and persistence.
《Domenic 的 Agentic 编码工作流：2026 年 7 月实战指南》
标签：#前端 #AI_Agent #Claude_Code #ChatGPT #Tailscale #Git_Worktrees #DevOps #远程开发
总结：
Domenic 分享了他脱离企业环境后搭建的一套 AI 辅助开发工作流：以一台常驻开机的 Linux VM 为中枢，通过 Tailscale 构建跨设备私有网络，让 ChatGPT/Claude 桌面应用作为瘦客户端远程操控 Agent。核心亮点包括零审批的"YOLO"安全策略、Git worktrees 实现多 Agent 并行开发、Portless 自动暴露安全预览服务器、VS Code Remote-SSH 审查代码，以及 chezmoi 同步配置。最终效果惊人——他能在火车上用手机连接 VM，让前沿模型修复生产 bug 并直接合并 PR。
文章要点：
1. Linux VM + Tailscale 是地基：Agent 训练数据几乎全是 Bash/Unix 工具，Windows 下寸步难行。用 Ubuntu Server 搭一台可抛弃的 VM，配合 Tailscale 的魔法 SSH 和 HTTPS 证书，无论在哪台设备、哪个 Wi-Fi 下都能无缝接入，还能让 Agent 启动的开发服务器拥有安全上下文。
2. ChatGPT 桌面应用体验完胜 Claude：ChatGPT 原生支持远程 SSH 会话，断线重连优雅、worktree 管理清爽（默认放在
3. Git Worktrees 解锁并行开发：在 VM 上让多个 Agent 同时 hack 同一个仓库而不互相踩脚，ChatGPT 和 Claude 都支持一键勾选 worktree 模式。Agent 会自动处理
4. Portless 让预览服务器"零摩擦"：不用改
5. "危险模式"下的生存策略：把
6. 手机修生产 Bug 已成现实：完整闭环——聚会发现 bug → 火车上打开 ChatGPT App → 远程连接 VM 启动修复 → 收到推送通知里的预览链接验证 → 手机审阅 diff 并合并 PR → 到家前 GitHub Actions 已部署上线。这就是未来。
URL：https://domenic.me/agentic-coding-setup/
标签：#前端 #AI_Agent #Claude_Code #ChatGPT #Tailscale #Git_Worktrees #DevOps #远程开发
总结：
Domenic 分享了他脱离企业环境后搭建的一套 AI 辅助开发工作流：以一台常驻开机的 Linux VM 为中枢，通过 Tailscale 构建跨设备私有网络，让 ChatGPT/Claude 桌面应用作为瘦客户端远程操控 Agent。核心亮点包括零审批的"YOLO"安全策略、Git worktrees 实现多 Agent 并行开发、Portless 自动暴露安全预览服务器、VS Code Remote-SSH 审查代码，以及 chezmoi 同步配置。最终效果惊人——他能在火车上用手机连接 VM，让前沿模型修复生产 bug 并直接合并 PR。
文章要点：
1. Linux VM + Tailscale 是地基：Agent 训练数据几乎全是 Bash/Unix 工具，Windows 下寸步难行。用 Ubuntu Server 搭一台可抛弃的 VM，配合 Tailscale 的魔法 SSH 和 HTTPS 证书，无论在哪台设备、哪个 Wi-Fi 下都能无缝接入，还能让 Agent 启动的开发服务器拥有安全上下文。
2. ChatGPT 桌面应用体验完胜 Claude：ChatGPT 原生支持远程 SSH 会话，断线重连优雅、worktree 管理清爽（默认放在
~/.codex/worktrees/）；Claude 桌面应用则在 SSH/Remote Control 混合逻辑、会话同步、worktree 目录污染项目等方面表现糟糕，目前只能退而求其次用 Claude Code + tmux。3. Git Worktrees 解锁并行开发：在 VM 上让多个 Agent 同时 hack 同一个仓库而不互相踩脚，ChatGPT 和 Claude 都支持一键勾选 worktree 模式。Agent 会自动处理
origin/main 同步、依赖安装和 .env 复制，人类完全不用操心。4. Portless 让预览服务器"零摩擦"：不用改
npm run dev 绑定 0.0.0.0，也不用记端口。tportless 包装器自动把 localhost 服务代理到 Tailscale 专属域名（如 https://agents-base.tail234567.ts.net:8443/），多 Agent 并行时端口自动隔离，且外网无法访问。5. "危险模式"下的生存策略：把
~/.codex/config.toml 和 ~/.claude/settings.json 都设为"永不询问权限"，配合 sudo 和 gh CLI 登录，让 Agent 能自主装工具、发 PR、合并代码。风险靠"频繁推送到 GitHub 私有仓库"来对冲——VM 炸了代码也在云端。6. 手机修生产 Bug 已成现实：完整闭环——聚会发现 bug → 火车上打开 ChatGPT App → 远程连接 VM 启动修复 → 收到推送通知里的预览链接验证 → 手机审阅 diff 并合并 PR → 到家前 GitHub Actions 已部署上线。这就是未来。
URL：https://domenic.me/agentic-coding-setup/
《深入理解 AI Agent：设计原理与工程实践》
标签：#AI_Agent #LLM #上下文工程 #MCP #RAG #多模态 #Coding_Agent #多智能体协作 #开源书籍
总结：
李博杰（中科大+MSRA+华为天才少年背景，Pine AI 首席科学家）所著《深入理解 AI Agent：设计原理与工程实践》开源主仓库，围绕核心公式 Agent = LLM + 上下文 + 工具 展开，全书 10 章正文 + 编译 PDF + 88 个配套实验代码全部 Apache 2.0 开源。上线一周即登顶 GitHub Trending，单日新增 1,734 Stars，目前已超 1.1 万 Stars，社区已自发贡献英文、泰米尔语、越南语翻译。本书填补了"从工程原理层面系统讲透 Agent 的中文开源书"这一空白，强调"Harness Engineering"（模型之外的一切工程能力）才是 Agent 真正的竞争力所在。
文章要点：
1. 核心公式与工程理念：全书围绕 Agent = LLM + 上下文 + 工具 展开，提出"Harness Engineering"理念——模型之外的一切工程能力（上下文设计、工具编排、评估体系等）才是 Agent 的护城河，而非单纯依赖模型本身。
2. 10 章体系化内容：从 Agent 基础、上下文工程、记忆与知识库、工具/MCP 协议、Coding Agent、评估体系、后训练、自我进化、多模态实时交互到多 Agent 协作，覆盖从入门到生产级的完整路径。
3. 88 个可运行实验代码：每章配套完整 demo，70+ 可独立运行（配置 API Key 即可），涵盖上下文消融实验、KV Cache 友好设计、提示注入攻防、MCP 三类服务器、17 工具生产级 Coding Agent、语音狼人杀等，所有代码按章节组织并三级标注完成状态。
4. 诚实务实的工程态度：不夸大概念、不制造 hype，每个技术都讲清优势、局限与适用场景，大量使用对照实验（如 mem0 vs Memobase、稠密 vs 稀疏检索、3 种攻击×4 种防御等），用数据说话而非主观断言。
5. 完全开源与社区共建：全书正文（Markdown）、编译 PDF、配图及代码全部 Apache 2.0 开源，中文为主，社区已贡献英文、泰米尔语、越南语版本，这在中文技术书籍中极为罕见。
6. 适合人群：想系统理解 Agent 工程而非只会调 API 的开发者；需要搭建 Coding Agent、RAG、多 Agent 协作等生产系统的工程师；对上下文工程、KV Cache、工具设计等底层机制感兴趣的研究者。
URL：https://github.com/bojieli/ai-agent-book
标签：#AI_Agent #LLM #上下文工程 #MCP #RAG #多模态 #Coding_Agent #多智能体协作 #开源书籍
总结：
李博杰（中科大+MSRA+华为天才少年背景，Pine AI 首席科学家）所著《深入理解 AI Agent：设计原理与工程实践》开源主仓库，围绕核心公式 Agent = LLM + 上下文 + 工具 展开，全书 10 章正文 + 编译 PDF + 88 个配套实验代码全部 Apache 2.0 开源。上线一周即登顶 GitHub Trending，单日新增 1,734 Stars，目前已超 1.1 万 Stars，社区已自发贡献英文、泰米尔语、越南语翻译。本书填补了"从工程原理层面系统讲透 Agent 的中文开源书"这一空白，强调"Harness Engineering"（模型之外的一切工程能力）才是 Agent 真正的竞争力所在。
文章要点：
1. 核心公式与工程理念：全书围绕 Agent = LLM + 上下文 + 工具 展开，提出"Harness Engineering"理念——模型之外的一切工程能力（上下文设计、工具编排、评估体系等）才是 Agent 的护城河，而非单纯依赖模型本身。
2. 10 章体系化内容：从 Agent 基础、上下文工程、记忆与知识库、工具/MCP 协议、Coding Agent、评估体系、后训练、自我进化、多模态实时交互到多 Agent 协作，覆盖从入门到生产级的完整路径。
3. 88 个可运行实验代码：每章配套完整 demo，70+ 可独立运行（配置 API Key 即可），涵盖上下文消融实验、KV Cache 友好设计、提示注入攻防、MCP 三类服务器、17 工具生产级 Coding Agent、语音狼人杀等，所有代码按章节组织并三级标注完成状态。
4. 诚实务实的工程态度：不夸大概念、不制造 hype，每个技术都讲清优势、局限与适用场景，大量使用对照实验（如 mem0 vs Memobase、稠密 vs 稀疏检索、3 种攻击×4 种防御等），用数据说话而非主观断言。
5. 完全开源与社区共建：全书正文（Markdown）、编译 PDF、配图及代码全部 Apache 2.0 开源，中文为主，社区已贡献英文、泰米尔语、越南语版本，这在中文技术书籍中极为罕见。
6. 适合人群：想系统理解 Agent 工程而非只会调 API 的开发者；需要搭建 Coding Agent、RAG、多 Agent 协作等生产系统的工程师；对上下文工程、KV Cache、工具设计等底层机制感兴趣的研究者。
URL：https://github.com/bojieli/ai-agent-book
GitHub
GitHub - bojieli/ai-agent-book: 《深入理解 AI Agent：设计原理与工程实践》（李博杰 著）开源主仓库：全书正文、编译版 PDF 与按章配套代码
《深入理解 AI Agent：设计原理与工程实践》（李博杰 著）开源主仓库：全书正文、编译版 PDF 与按章配套代码 - bojieli/ai-agent-book
《Git Worktrees 入门指南：把分支变成平行工作空间》
标签：#Git #工作流 #AI辅助编程 #开发工具 #分支管理
总结：
Git worktrees 是一个被低估十年的功能，它将分支检出到独立目录而非项目根目录，让开发者能在同一仓库中并行处理多个任务。文章从基础命令讲起，演示了如何创建、管理和清理 worktree，特别强调了它在 AI 编码代理时代的新价值——多个智能体可在独立工作树中自主工作互不干扰，完成后合并回主仓库，无需将代码推送到云端即可实现并行开发。
文章要点：
1. Worktree 的本质就是"检出到不同目录的分支"，它共享完整提交历史，能正常推拉远程，唯一区别是文件物理位置不同
2. 创建命令
3. 目录组织有两种风格：与主仓库平级的直接兄弟目录，或统一放在
4. 合并变更既可以通过常规的 push + PR 流程，也可以在本地用 rebase 后 merge；清理时用
5.
6. 核心价值在于"本地并行"：AI 编码工具现在常用 worktrees 让多个代理同时修改代码，既避免了分支切换的上下文丢失，也省去了云端暂存的麻烦
URL：https://humanwhocodes.com/blog/2026/07/introduction-git-worktrees/
标签：#Git #工作流 #AI辅助编程 #开发工具 #分支管理
总结：
Git worktrees 是一个被低估十年的功能，它将分支检出到独立目录而非项目根目录，让开发者能在同一仓库中并行处理多个任务。文章从基础命令讲起，演示了如何创建、管理和清理 worktree，特别强调了它在 AI 编码代理时代的新价值——多个智能体可在独立工作树中自主工作互不干扰，完成后合并回主仓库，无需将代码推送到云端即可实现并行开发。
文章要点：
1. Worktree 的本质就是"检出到不同目录的分支"，它共享完整提交历史，能正常推拉远程，唯一区别是文件物理位置不同
2. 创建命令
git worktree add ../project.worktrees/feature-name -b feature/name main 会在指定目录新建分支，但依赖需要重新安装（如 node_modules 不共享），且该分支在 worktree 存在时无法在别处检出3. 目录组织有两种风格：与主仓库平级的直接兄弟目录，或统一放在
.worktrees 共享父目录下；后者更整洁，尤其适合 AI 代理批量创建工作树4. 合并变更既可以通过常规的 push + PR 流程，也可以在本地用 rebase 后 merge；清理时用
git worktree remove 删除目录但保留分支，确认无用后再 git branch -d 删除分支5.
git worktree list 能查看所有工作树状态，配合 git config --global alias.wt worktree 设置别名后，整个工作流（创建、查看、移除）都能用简短的 wt 命令完成6. 核心价值在于"本地并行"：AI 编码工具现在常用 worktrees 让多个代理同时修改代码，既避免了分支切换的上下文丢失，也省去了云端暂存的麻烦
URL：https://humanwhocodes.com/blog/2026/07/introduction-git-worktrees/
Human Who Codes
A gentle introduction to Git worktrees - Human Who Codes
Git worktrees let you check out multiple branches into separate directories simultaneously, making parallel local development straightforward whether you're working solo or alongside AI coding agents.
《MDN 推出官方 MCP 服务器，让 AI 助手实时获取权威 Web 文档》
标签：#前端 #AI工具 #MCP #MDN #浏览器兼容性 #VSCode #Claude
总结：
MDN 官方发布了一款实验性 MCP（Model Context Protocol）服务器，旨在让 LLM 和编程助手直接访问 MDN 的搜索、文档及浏览器兼容性数据（BCD），解决 AI 回答中可能出现的过时或错误信息问题。开发者可通过远程服务或本地部署方式接入，支持 VS Code、Claude Code 等 MCP 兼容客户端，实现编码时一键查询 API 用法和兼容性，无需离开编辑器。
文章要点：
1. 官方出品，权威数据源：这是 MDN 官方推出的 MCP 服务器，直接对接 MDN 的搜索 API、文档 JSON API 以及浏览器兼容性数据（BCD），确保 AI 获取的是最新、最准确的 Web 平台技术资料，而不是训练数据中的"旧知识"
2. 六大核心工具，覆盖开发全场景：提供
3. 远程 + 本地双模式部署：既可以一键接入官方远程服务（
4. 无缝集成主流开发工具：完美支持 VS Code、Claude Code、Cursor 等 MCP 兼容客户端，配置简单，安装后直接在 AI 聊天中调用工具，真正实现"边写代码边查文档"的流畅体验
5. 实验性质，持续迭代中：目前处于实验阶段，Mozilla 会收集查询数据以优化服务（可 opt-out），且保留随时调整或下线服务的权利，建议开发者关注官方动态
URL：
https://developer.mozilla.org/en-US/blog/introducing-mdn-mcp-server/
标签：#前端 #AI工具 #MCP #MDN #浏览器兼容性 #VSCode #Claude
总结：
MDN 官方发布了一款实验性 MCP（Model Context Protocol）服务器，旨在让 LLM 和编程助手直接访问 MDN 的搜索、文档及浏览器兼容性数据（BCD），解决 AI 回答中可能出现的过时或错误信息问题。开发者可通过远程服务或本地部署方式接入，支持 VS Code、Claude Code 等 MCP 兼容客户端，实现编码时一键查询 API 用法和兼容性，无需离开编辑器。
文章要点：
1. 官方出品，权威数据源：这是 MDN 官方推出的 MCP 服务器，直接对接 MDN 的搜索 API、文档 JSON API 以及浏览器兼容性数据（BCD），确保 AI 获取的是最新、最准确的 Web 平台技术资料，而不是训练数据中的"旧知识"
2. 六大核心工具，覆盖开发全场景：提供
mdn_search（关键词搜索）、mdn_doc（获取完整文档）、mdn_compat（浏览器兼容性检查）、mdn_list（浏览 BCD 特性）、mdn_css（CSS 属性定义）、mdn_http（HTTP 参考）等工具，从查文档到看兼容性一站搞定3. 远程 + 本地双模式部署：既可以一键接入官方远程服务（
https://mcp.mdn.mozilla.net/），也可以克隆仓库本地运行，满足对数据隐私有顾虑的团队需求；本地模式支持 MCP Inspector 调试，开发体验友好4. 无缝集成主流开发工具：完美支持 VS Code、Claude Code、Cursor 等 MCP 兼容客户端，配置简单，安装后直接在 AI 聊天中调用工具，真正实现"边写代码边查文档"的流畅体验
5. 实验性质，持续迭代中：目前处于实验阶段，Mozilla 会收集查询数据以优化服务（可 opt-out），且保留随时调整或下线服务的权利，建议开发者关注官方动态
URL：
https://developer.mozilla.org/en-US/blog/introducing-mdn-mcp-server/
《现代工程价值观：AI 时代的效率与品味》
标签：#软件工程 #AI编程 #代码审查 #团队管理 #技术栈 #开发者体验 #工程管理
总结：
作者 Christoph Nakazawa（cpojer）分享了他近半年完全依赖 AI 编码代理完成多个项目的实战经验，指出编程已从"手写代码"转向"指挥系统生成代码"。文章提炼了 AI 时代仍至关重要的五大工程价值观：强所有权、品味至上、严格约束与快速反馈、代码库即上下文、掌控技术栈，并强调管理需更技术化。作者用数据证明效率提升 3 倍，认为未来瓶颈不再是写代码，而是判断力与品味。
文章要点：
1. **AI 编码已成常态**：作者过去数月多个项目（Vite+、fate、Codiff、Athena Crisis 等）90%-100% 由 AI 编写，代码质量甚至超越手写，且能在几分钟内完成过去数周的工作
2. **Codex CLI 是最佳搭档**：使用 GPT 5.5 high 配合 Codex CLI，配合"先写失败测试再修复"的策略，能极大提高一次性正确率；多项目并行时建议每个项目独立窗口，利用空间记忆提升效率
3. **强所有权比代码更重要**：AI 放大了"懂行"与"不懂行"的差距，小团队（2-3 人）+ 清晰边界 + 独立仓库比大团队协作更高效，审查应聚焦对齐而非代码细节争论
4. **品味是防"垃圾"泛滥的护城河**：AI 能全天候生成大量平庸代码，工程师的核心价值转向判断"什么值得做"，团队应花更多时间思考方向而非盲目堆功能
5. **严格约束 = 速度**：把代码规范、自动化测试、快速验证等"护栏"做得越严，AI 迭代越快（1 分钟 vs 60 分钟的差距）；工具必须支持增量检查，避免随代码量增长而变慢
6. **代码库即唯一上下文**：将设计文档、产品行为、决策记录全部沉淀在仓库内，让 AI 和人类都能快速理解；代码越简洁、越易读，AI 修复和迭代越高效
7. **自研技术栈重新划算**：过去依赖第三方库是因为手写代码慢，现在 AI 降低了自研成本，掌控核心依赖能避免被外部框架绑架，获得完全的产品体验控制权
8. **保留选择权（Option Value）**：任何架构改动都应保留未来大幅调整的可能性，AI 虽让重构变快，但把自己逼进死胡同依然难以脱身
9. **管理必须更技术化**：执行成本降低后，管理者不能只做方向把控，必须保持领域 expertise，能亲自改代码、做技术决策，"技术型管理"（Tech Lead Management）将成为主流
10. **效率数据惊人**：近 30 天日均提交 770 次、修改 15k 行代码，是两年前的 3 倍；过去手写巅峰一天 1200 行，现在 AI 辅助可达 10 倍且质量更高
URL：
https://cpojer.net/posts/modern-engineering-values
标签：#软件工程 #AI编程 #代码审查 #团队管理 #技术栈 #开发者体验 #工程管理
总结：
作者 Christoph Nakazawa（cpojer）分享了他近半年完全依赖 AI 编码代理完成多个项目的实战经验，指出编程已从"手写代码"转向"指挥系统生成代码"。文章提炼了 AI 时代仍至关重要的五大工程价值观：强所有权、品味至上、严格约束与快速反馈、代码库即上下文、掌控技术栈，并强调管理需更技术化。作者用数据证明效率提升 3 倍，认为未来瓶颈不再是写代码，而是判断力与品味。
文章要点：
1. **AI 编码已成常态**：作者过去数月多个项目（Vite+、fate、Codiff、Athena Crisis 等）90%-100% 由 AI 编写，代码质量甚至超越手写，且能在几分钟内完成过去数周的工作
2. **Codex CLI 是最佳搭档**：使用 GPT 5.5 high 配合 Codex CLI，配合"先写失败测试再修复"的策略，能极大提高一次性正确率；多项目并行时建议每个项目独立窗口，利用空间记忆提升效率
3. **强所有权比代码更重要**：AI 放大了"懂行"与"不懂行"的差距，小团队（2-3 人）+ 清晰边界 + 独立仓库比大团队协作更高效，审查应聚焦对齐而非代码细节争论
4. **品味是防"垃圾"泛滥的护城河**：AI 能全天候生成大量平庸代码，工程师的核心价值转向判断"什么值得做"，团队应花更多时间思考方向而非盲目堆功能
5. **严格约束 = 速度**：把代码规范、自动化测试、快速验证等"护栏"做得越严，AI 迭代越快（1 分钟 vs 60 分钟的差距）；工具必须支持增量检查，避免随代码量增长而变慢
6. **代码库即唯一上下文**：将设计文档、产品行为、决策记录全部沉淀在仓库内，让 AI 和人类都能快速理解；代码越简洁、越易读，AI 修复和迭代越高效
7. **自研技术栈重新划算**：过去依赖第三方库是因为手写代码慢，现在 AI 降低了自研成本，掌控核心依赖能避免被外部框架绑架，获得完全的产品体验控制权
8. **保留选择权（Option Value）**：任何架构改动都应保留未来大幅调整的可能性，AI 虽让重构变快，但把自己逼进死胡同依然难以脱身
9. **管理必须更技术化**：执行成本降低后，管理者不能只做方向把控，必须保持领域 expertise，能亲自改代码、做技术决策，"技术型管理"（Tech Lead Management）将成为主流
10. **效率数据惊人**：近 30 天日均提交 770 次、修改 15k 行代码，是两年前的 3 倍；过去手写巅峰一天 1200 行，现在 AI 辅助可达 10 倍且质量更高
URL：
https://cpojer.net/posts/modern-engineering-values
cpojer.net
Modern Engineering Values
Modern engineering values.
《如何构建你自己的Agent_Harness：从单体框架到可组合Worker架构》
标签：#AI工程 #Agent架构 #系统设计 #开源框架 #Worker模型
总结：
iii创始人Mike_Piccolo提出了一种全新的Agent_Harness构建理念——将传统单体框架拆分为15个独立的可替换Worker，通过统一的
文章要点：
1. 传统框架的痛点：LangChain、LangGraph等将循环、工具、记忆、编排等打包成单体，团队要么全盘接受，要么Fork或Hack，导致长期运行后不得不重写整个Harness
2. iii的核心理念：将15个Harness职责（凭证解析、模型目录、预算追踪、审批门、 durable_turn_loop等）拆分为独立Worker，每个Worker通过
3. 实际生产栈示例：包括turn_orchestrator（11状态FSM）、approval_gate（审批路由）、llm_budget（预算管控）、hook_fanout（钩子发布）、provider_anthropic/openai/kimi（模型提供商）等11个Worker，全部通过同一引擎总线通信
4. 替换的便利性：想换动态模型目录？写一个注册
5. 架构优势：单体框架的"薄vs厚"之争在这里变成配置问题——极简Harness只需4个Worker，企业级Harness安装全部13个+自定义策略引擎，距离只是
6. 可观测性统一：每个Worker自动注入OpenTelemetry追踪，通过
URL：https://iii.dev/blog/how-to-build-your-own-agent-harness/
标签：#AI工程 #Agent架构 #系统设计 #开源框架 #Worker模型
总结：
iii创始人Mike_Piccolo提出了一种全新的Agent_Harness构建理念——将传统单体框架拆分为15个独立的可替换Worker，通过统一的
iii.trigger()原语和WebSocket协议进行通信。这种架构让团队不再需要Fork或绕过现有框架，而是通过"安装/替换Worker"来精确组装符合自身需求的Agent运行时，实现从极简到企业级的平滑伸缩。文章要点：
1. 传统框架的痛点：LangChain、LangGraph等将循环、工具、记忆、编排等打包成单体，团队要么全盘接受，要么Fork或Hack，导致长期运行后不得不重写整个Harness
2. iii的核心理念：将15个Harness职责（凭证解析、模型目录、预算追踪、审批门、 durable_turn_loop等）拆分为独立Worker，每个Worker通过
iii.trigger()触发，可独立版本化、用任意语言编写、随时替换3. 实际生产栈示例：包括turn_orchestrator（11状态FSM）、approval_gate（审批路由）、llm_budget（预算管控）、hook_fanout（钩子发布）、provider_anthropic/openai/kimi（模型提供商）等11个Worker，全部通过同一引擎总线通信
4. 替换的便利性：想换动态模型目录？写一个注册
models::list的新Worker即可；想从Slack审批？写一个监听slash命令并调用approval::resolve的Worker；整个堆栈其他部分完全无感知5. 架构优势：单体框架的"薄vs厚"之争在这里变成配置问题——极简Harness只需4个Worker，企业级Harness安装全部13个+自定义策略引擎，距离只是
config.yaml的条目增减，而非重写6. 可观测性统一：每个Worker自动注入OpenTelemetry追踪，通过
iii.session.id等标签实现跨Worker的完整调用链可视化URL：https://iii.dev/blog/how-to-build-your-own-agent-harness/
iii.dev
How to Build Your Own Agent Harness
Most agent teams adopt a harness as one decision. iii decomposes it into eleven independently-replaceable workers on one engine bus. Build your own stops meaning fork a framework and starts meaning swap a few workers.
《Markdown SVG 渲染器：AI 辅助开发的实用小工具》
标签：#前端 #工具 #Markdown #SVG #AI辅助编程 #SimonWillison #WebComponents
总结：
Simon Willison 分享了他用 Claude Opus 4.8 和 GPT-5.5 辅助开发的一个轻量级 Markdown 渲染工具，核心亮点是对 SVG 代码块的特殊处理——不仅能渲染出图像，还提供「渲染图 / 源代码」双标签切换。该工具支持直接粘贴 Markdown、加载远程文件或 GitHub Gist，并用 Fragment URL 记录状态以便分享。整个项目从需求到安全加固完全由 AI 驱动，是「提示驱动开发」的又一实例。
文章要点：
1. 这个工具的诞生源于一个具体场景：Simon 用 LLM CLI 让 Claude Opus 4.8 生成了五组不同思考深度（low 到 max）的「鹈鹕骑自行车」SVG，想找个优雅的方式展示这些 Markdown 日志
2. 核心定制点在于 SVG 围栏代码块（\
3. 支持三种内容输入方式：直接粘贴 Markdown、输入 CORS 兼容的远程 Markdown 文件 URL、或者加载 GitHub Gist 中的第一个文件
4. 用 URL Fragment（#）记录当前加载的文件地址，刷新页面或分享链接时能自动恢复状态，不用依赖后端
5. 安全方面，Simon 后续用 GPT-5.5（Codex xhigh 模式）专门审计并修复了 XSS 漏洞，体现了 AI 辅助开发中「生成 + 安全加固」的两步走思路
6. 整个工具属于 Simon 的「HTML Tools」系列——单文件 HTML+JS+CSS、无构建步骤、托管在 tools.simonwillison.net，目前已积累超过 150 个类似小工具
URL：https://simonwillison.net/2026/May/28/markdown-svg-renderer/
标签：#前端 #工具 #Markdown #SVG #AI辅助编程 #SimonWillison #WebComponents
总结：
Simon Willison 分享了他用 Claude Opus 4.8 和 GPT-5.5 辅助开发的一个轻量级 Markdown 渲染工具，核心亮点是对 SVG 代码块的特殊处理——不仅能渲染出图像，还提供「渲染图 / 源代码」双标签切换。该工具支持直接粘贴 Markdown、加载远程文件或 GitHub Gist，并用 Fragment URL 记录状态以便分享。整个项目从需求到安全加固完全由 AI 驱动，是「提示驱动开发」的又一实例。
文章要点：
1. 这个工具的诞生源于一个具体场景：Simon 用 LLM CLI 让 Claude Opus 4.8 生成了五组不同思考深度（low 到 max）的「鹈鹕骑自行车」SVG，想找个优雅的方式展示这些 Markdown 日志
2. 核心定制点在于 SVG 围栏代码块（\
\\`svg）——普通 Markdown 渲染器只会显示代码，而这个工具会把它变成可交互的 Web Component，默认展示渲染好的 SVG，点击可切换到源码查看3. 支持三种内容输入方式：直接粘贴 Markdown、输入 CORS 兼容的远程 Markdown 文件 URL、或者加载 GitHub Gist 中的第一个文件
4. 用 URL Fragment（#）记录当前加载的文件地址，刷新页面或分享链接时能自动恢复状态，不用依赖后端
5. 安全方面，Simon 后续用 GPT-5.5（Codex xhigh 模式）专门审计并修复了 XSS 漏洞，体现了 AI 辅助开发中「生成 + 安全加固」的两步走思路
6. 整个工具属于 Simon 的「HTML Tools」系列——单文件 HTML+JS+CSS、无构建步骤、托管在 tools.simonwillison.net，目前已积累超过 150 个类似小工具
URL：https://simonwillison.net/2026/May/28/markdown-svg-renderer/
《AI 正在重演前端的"失落十年"吗？》
标签：#前端 #AI编程 #职业发展 #软件工程 # craftsmanship #Bauhaus
总结：
作者将 AI 对编程行业的冲击与前十年 JavaScript 框架对前端的"去技能化"（deskilling）进行类比。框架把浏览器当作编译目标，让通用开发者无需理解 HTML 语义、无障碍、性能等底层知识就能"搞定"前端；AI 编码则进一步将手工写代码的技能消解为"操作半熟练工人使用的技术"。文章认为这降低了从业者议价能力、牺牲了质量，但也承认这是效率提升和抽象层级升高的必然趋势。作者借用 Bauhaus 运动的启示——不是对抗工业化，而是让工匠与工厂协作、以用户为中心重新设计——呼吁在 AI 时代依然需要"懂材料"的人，同时指出商业成功与软件质量本就很少相关，真正的 craft 只会成为更小的切片。
文章要点：
1. "去技能化"正在从特定领域扩散到整个编程行业：框架让前端从专精技能变成通用技能，AI 让编程本身面临同样命运
2. 现代"全栈开发者"往往不是前后端都精通，而是能用框架两边都糊弄的通才，企业因此获得成本节省和人员灵活调配
3. AI 编码是"非确定性抽象"——不像编译器那样稳定，输入或模型的微小变化会导致截然不同的结果，更像是"不会学习的初级工程师"
4. LLM 是 Stack Overflow 复制粘贴的终极进化：让懂行的人更快，让不懂的人也能凑出"能跑"的东西，但抽象泄漏时依然需要有人深入理解并修复
5. 商业成功与软件质量几乎不相关，糟糕的网站对转化率影响有限，且"没人因为选了 React 而被解雇"
6. Bauhaus 运动的启示：不复古也不对抗工业化，而是让设计师回到工坊、与材料共事，最终产出兼顾批量生产和用户体验的设计
7. 前端 craft 不会消失，但会成为更小的切片；就像字体设计不再是全职工作、塑料垃圾泛滥但好工业设计依然存在
8. 快速迭代和 MVP 有其价值，但需要知道自己在验证什么；性能和无障碍等基础如果一开始没做对，后期很难补救
9. AI 只是工具箱里的又一件工具，但 hype 周期内我们会看到丑陋的代码、破碎的沟通和借 AI 之名裁员
10. 作者自己的框架 Mastro 倡导"从简单栈开始、后续再添加功能"，反对先上重型框架再试图优化
URL：https://mastrojs.github.io/blog/2026-05-23-is-AI-causing-a-repeat-of-frontends-lost-decade/
标签：#前端 #AI编程 #职业发展 #软件工程 # craftsmanship #Bauhaus
总结：
作者将 AI 对编程行业的冲击与前十年 JavaScript 框架对前端的"去技能化"（deskilling）进行类比。框架把浏览器当作编译目标，让通用开发者无需理解 HTML 语义、无障碍、性能等底层知识就能"搞定"前端；AI 编码则进一步将手工写代码的技能消解为"操作半熟练工人使用的技术"。文章认为这降低了从业者议价能力、牺牲了质量，但也承认这是效率提升和抽象层级升高的必然趋势。作者借用 Bauhaus 运动的启示——不是对抗工业化，而是让工匠与工厂协作、以用户为中心重新设计——呼吁在 AI 时代依然需要"懂材料"的人，同时指出商业成功与软件质量本就很少相关，真正的 craft 只会成为更小的切片。
文章要点：
1. "去技能化"正在从特定领域扩散到整个编程行业：框架让前端从专精技能变成通用技能，AI 让编程本身面临同样命运
2. 现代"全栈开发者"往往不是前后端都精通，而是能用框架两边都糊弄的通才，企业因此获得成本节省和人员灵活调配
3. AI 编码是"非确定性抽象"——不像编译器那样稳定，输入或模型的微小变化会导致截然不同的结果，更像是"不会学习的初级工程师"
4. LLM 是 Stack Overflow 复制粘贴的终极进化：让懂行的人更快，让不懂的人也能凑出"能跑"的东西，但抽象泄漏时依然需要有人深入理解并修复
5. 商业成功与软件质量几乎不相关，糟糕的网站对转化率影响有限，且"没人因为选了 React 而被解雇"
6. Bauhaus 运动的启示：不复古也不对抗工业化，而是让设计师回到工坊、与材料共事，最终产出兼顾批量生产和用户体验的设计
7. 前端 craft 不会消失，但会成为更小的切片；就像字体设计不再是全职工作、塑料垃圾泛滥但好工业设计依然存在
8. 快速迭代和 MVP 有其价值，但需要知道自己在验证什么；性能和无障碍等基础如果一开始没做对，后期很难补救
9. AI 只是工具箱里的又一件工具，但 hype 周期内我们会看到丑陋的代码、破碎的沟通和借 AI 之名裁员
10. 作者自己的框架 Mastro 倡导"从简单栈开始、后续再添加功能"，反对先上重型框架再试图优化
URL：https://mastrojs.github.io/blog/2026-05-23-is-AI-causing-a-repeat-of-frontends-lost-decade/
《AI辅助工程师正在倦怠，这真的没问题吗？》
标签：#软件工程 #AI辅助编程 #职业倦怠 #心理健康 #开发者体验 #生产力陷阱
总结：
文章揭示了AI辅助编程带来的隐性危机——AI倦怠。尽管AI让代码产出速度翻倍，但工程师们实际工作强度更高、成就感更低。文章通过"Ben和Alice"的认知负荷对比分析，指出AI将编程从"计划→ crafting→结果"的愉悦循环，变成了高强度审查和调试的消耗模式。同时探讨了失去代码库上下文、被动思考时间被挤压、虚假期望膨胀等日常 burnout 诱因，并提供了五条可落地的自救建议：认可自身价值、重构AI工作流、保留手工编码时间、严守工作边界、探索新兴趣领域。
文章要点：
1. AI让产出翻倍，却让工作强度翻倍——Alice用2小时完成Ben 4小时的活，但认知负荷极高且停不下来，最终4小时内做了2倍高强度工作，成就感反而更低
2. 编程的快乐循环被打破了——以前"计划→写代码→看到结果"的过程很治愈，现在变成"计划→直接看AI生成的结果"，跳过了最享受的crafting环节，只剩下累人的审查工作
3. 你的代码库正在"离开你"——AI代理帮你记住了架构和边界情况，你不再需要在脑中维护整个系统，久而久之直觉判断力下降， supervising一个自己不懂的系统超级累
4. 被动思考时间被AI偷走了——以前洗澡、散步时大脑后台会默默解题，现在跟AI几分钟来回就"搞定"了，但往往是次优解，后面还要返工
5. 虚假期望是个陷阱——AI初期进展顺利，客户/老板把冲刺速度当成基线，等瓶颈出现时你反而要拼命维持那个不可能的节奏
6. 审查瓶颈在转移压力——AI生成代码量远超单人审查能力， senior工程师被迫承担不成比例的风险和认知负荷，维护系统 sanity 越来越吃力
7. 五条自救建议超实用——包括写胜利日志、Plan模式优先、不连续做AI任务、保护手工编码时间、到点就停不补任务等，帮你把AI从"消耗品"变回"助手"
URL：
https://evilmartians.com/chronicles/ai-assisted-engineers-are-burning-out-is-this-fine
标签：#软件工程 #AI辅助编程 #职业倦怠 #心理健康 #开发者体验 #生产力陷阱
总结：
文章揭示了AI辅助编程带来的隐性危机——AI倦怠。尽管AI让代码产出速度翻倍，但工程师们实际工作强度更高、成就感更低。文章通过"Ben和Alice"的认知负荷对比分析，指出AI将编程从"计划→ crafting→结果"的愉悦循环，变成了高强度审查和调试的消耗模式。同时探讨了失去代码库上下文、被动思考时间被挤压、虚假期望膨胀等日常 burnout 诱因，并提供了五条可落地的自救建议：认可自身价值、重构AI工作流、保留手工编码时间、严守工作边界、探索新兴趣领域。
文章要点：
1. AI让产出翻倍，却让工作强度翻倍——Alice用2小时完成Ben 4小时的活，但认知负荷极高且停不下来，最终4小时内做了2倍高强度工作，成就感反而更低
2. 编程的快乐循环被打破了——以前"计划→写代码→看到结果"的过程很治愈，现在变成"计划→直接看AI生成的结果"，跳过了最享受的crafting环节，只剩下累人的审查工作
3. 你的代码库正在"离开你"——AI代理帮你记住了架构和边界情况，你不再需要在脑中维护整个系统，久而久之直觉判断力下降， supervising一个自己不懂的系统超级累
4. 被动思考时间被AI偷走了——以前洗澡、散步时大脑后台会默默解题，现在跟AI几分钟来回就"搞定"了，但往往是次优解，后面还要返工
5. 虚假期望是个陷阱——AI初期进展顺利，客户/老板把冲刺速度当成基线，等瓶颈出现时你反而要拼命维持那个不可能的节奏
6. 审查瓶颈在转移压力——AI生成代码量远超单人审查能力， senior工程师被迫承担不成比例的风险和认知负荷，维护系统 sanity 越来越吃力
7. 五条自救建议超实用——包括写胜利日志、Plan模式优先、不连续做AI任务、保护手工编码时间、到点就停不补任务等，帮你把AI从"消耗品"变回"助手"
URL：
https://evilmartians.com/chronicles/ai-assisted-engineers-are-burning-out-is-this-fine
evilmartians.com
AI-assisted engineers are burning out, is this fine?—Martian Chronicles, Evil Martians’ team blog
AI-assisted code generation is not free. It comes with a hidden cost: burnout. Are we dangerously ignorant to this problem? And how can we cope with it? In this post, we discuss this question.
《cc-connect：本地AI编程助手连接消息平台桥梁》
标签：#开发工具 #AI编程助手 #ClaudeCode #CursorAgent #GeminiCLI #Codex #Telegram #飞书 #钉钉 #Slack #Discord #WeChatWork #LINE #QQ #Weibo
总结：
cc-connect 是一个开源的本地AI编程代理桥接工具，让你可以在飞书、钉钉、Telegram、Slack、Discord、企业微信、LINE、QQ、微博甚至个人微信等11个平台上，随时随地"聊天式"操控 Claude Code、Cursor、Gemini CLI、Codex 等10+种AI编程助手。无需公网IP，手机发消息就能让AI写代码、改Bug、做数据分析，真正实现" anywhere, anytime "的AI开发体验。
文章要点：
• 超全平台覆盖：支持飞书、钉钉、Telegram、Slack、Discord、企业微信、LINE、QQ、微博、个人微信等11个主流聊天平台，大部分平台无需公网IP即可直连，手机/平板随时操控
• 10+AI助手全家桶：完美桥接 Claude Code、Codex、Cursor Agent、Gemini CLI、Kimi CLI、Qoder CLI、OpenCode、iFlow CLI、Pi、Devin 等，还支持 ACP 协议兼容的任何新代理
• 聊天里掌控一切：通过 /model 切换模型、/mode 调整权限模式、/dir 切换工作目录、/new 管理会话、/cron 设置定时任务，所有操作都在聊天窗口完成
• 多Agent协同作战：支持在一个群聊里绑定多个AI机器人，让Claude和Gemini互相配合、接力完成任务，实现"AI团队"协作
• 多模态与记忆：支持语音消息（STT/TTS）、图片截图、文件收发；Agent记忆持久化，/memory 指令随时读写，避免重复交代背景
• Web管理后台：内置完整的Web Admin UI，支持项目CRUD、会话监控、定时任务编辑、Provider管理，5种语言界面，零配置上手
• 安全隔离：支持 Linux/macOS 下的 OS-User 隔离运行，不同项目可用不同Unix用户启动Agent，配合 cc-connect doctor 做安全审计
• 生命周期钩子：支持7种事件类型（消息收发、会话启停、定时触发、权限请求、错误）触发Shell命令或HTTP Webhook，方便集成CI/CD
URL：https://github.com/chenhg5/cc-connect
标签：#开发工具 #AI编程助手 #ClaudeCode #CursorAgent #GeminiCLI #Codex #Telegram #飞书 #钉钉 #Slack #Discord #WeChatWork #LINE #QQ #Weibo
总结：
cc-connect 是一个开源的本地AI编程代理桥接工具，让你可以在飞书、钉钉、Telegram、Slack、Discord、企业微信、LINE、QQ、微博甚至个人微信等11个平台上，随时随地"聊天式"操控 Claude Code、Cursor、Gemini CLI、Codex 等10+种AI编程助手。无需公网IP，手机发消息就能让AI写代码、改Bug、做数据分析，真正实现" anywhere, anytime "的AI开发体验。
文章要点：
• 超全平台覆盖：支持飞书、钉钉、Telegram、Slack、Discord、企业微信、LINE、QQ、微博、个人微信等11个主流聊天平台，大部分平台无需公网IP即可直连，手机/平板随时操控
• 10+AI助手全家桶：完美桥接 Claude Code、Codex、Cursor Agent、Gemini CLI、Kimi CLI、Qoder CLI、OpenCode、iFlow CLI、Pi、Devin 等，还支持 ACP 协议兼容的任何新代理
• 聊天里掌控一切：通过 /model 切换模型、/mode 调整权限模式、/dir 切换工作目录、/new 管理会话、/cron 设置定时任务，所有操作都在聊天窗口完成
• 多Agent协同作战：支持在一个群聊里绑定多个AI机器人，让Claude和Gemini互相配合、接力完成任务，实现"AI团队"协作
• 多模态与记忆：支持语音消息（STT/TTS）、图片截图、文件收发；Agent记忆持久化，/memory 指令随时读写，避免重复交代背景
• Web管理后台：内置完整的Web Admin UI，支持项目CRUD、会话监控、定时任务编辑、Provider管理，5种语言界面，零配置上手
• 安全隔离：支持 Linux/macOS 下的 OS-User 隔离运行，不同项目可用不同Unix用户启动Agent，配合 cc-connect doctor 做安全审计
• 生命周期钩子：支持7种事件类型（消息收发、会话启停、定时触发、权限请求、错误）触发Shell命令或HTTP Webhook，方便集成CI/CD
URL：https://github.com/chenhg5/cc-connect
GitHub
GitHub - chenhg5/cc-connect: Bridge local AI coding agents (Claude Code, Cursor, Gemini CLI, Codex) to messaging platforms (Feishu/Lark…
Bridge local AI coding agents (Claude Code, Cursor, Gemini CLI, Codex) to messaging platforms (Feishu/Lark, DingTalk, Slack, Telegram, Discord, LINE, WeChat Work). Chat with your AI dev assistant f...
《Agent Harness 的解剖学：将 LLM 转化为工作引擎的系统工程》
标签：#AI_Agent #LLM #LangChain #Harness_Engineering #Context_Management #Tool_Orchestration
总结：Agent Harness 是包裹在大模型之外的全套"脚手架"——包括系统提示词、工具调用、文件系统、沙盒环境、记忆管理和编排逻辑等。它把只能输入输出文本的"裸模型"，改造成能持久化状态、执行代码、自主规划并长期协作的合格智能体。文章从模型能力边界出发，逆向推导出每个 Harness 组件存在的必然性，并指出 Harness 工程与模型训练正在协同进化，优化 Harness 本身就能让同一模型在基准测试上从 Top 30 跃升至 Top 5。
文章要点：
- Agent = Model + Harness：如果你不是模型本身，那你就是 Harness。Harness 是除模型权重外的一切代码、配置与执行逻辑，负责把模型的"智商"转化为"产能"
- 模型天生会"健忘"：裸模型只能处理上下文窗口内的信息，无法跨会话记住状态、执行代码或获取实时知识，这些"超能力"全靠 Harness 赋予
- 文件系统是最底层的基础设施：给 Agent 一个工作目录，它就能读写数据、卸载超长上下文、还能让多个 Agent 像同事一样通过共享文件协作
- Bash + 代码执行是万能瑞士军刀：与其为每个场景预写工具，不如直接给 Agent 一个终端，让它现场写代码、装依赖、自己造工具解决问题
- 沙盒让 Agent 安全地"动手"：在隔离环境里跑代码、测效果、看日志，既防手滑删库，又能按需扩容、用完即焚
- 记忆靠"上下文注入"实现：通过 AGENTS.md 等记忆文件标准，把历史经验塞进新会话；再配合网络搜索和 MCP 工具，突破训练数据的时间 cutoff
- 上下文腐烂是隐形杀手：随着对话变长，模型性能会断崖下跌。Harness 通过 Compaction（智能摘要）、Tool 输出卸载和 Skills 渐进式加载来保护宝贵的上下文空间
- 长程任务需要"接力跑"：Ralph Loop 机制让 Agent 在上下文耗尽时，从文件系统读取进度、换一块"干净"上下文继续干；配合 git 记录和自验证循环，实现跨会话的复杂项目开发
- Harness 与模型在"共同进化"：Claude Code、Codex 等产品会把 Harness 逻辑也放进后训练环节，但有趣的是——换一套更优 Harness，同一模型排名能从 30 名外冲进前 5
- 未来 Harness 会"瘦身"但不会消失：随着模型原生规划、验证能力变强，部分 Harness 功能会被模型吸收；但就像提示工程至今仍有价值，Harness 工程作为"围绕模型智能设计系统"的学科，仍将持续发光
文章URL：https://www.langchain.com/blog/the-anatomy-of-an-agent-harness
标签：#AI_Agent #LLM #LangChain #Harness_Engineering #Context_Management #Tool_Orchestration
总结：Agent Harness 是包裹在大模型之外的全套"脚手架"——包括系统提示词、工具调用、文件系统、沙盒环境、记忆管理和编排逻辑等。它把只能输入输出文本的"裸模型"，改造成能持久化状态、执行代码、自主规划并长期协作的合格智能体。文章从模型能力边界出发，逆向推导出每个 Harness 组件存在的必然性，并指出 Harness 工程与模型训练正在协同进化，优化 Harness 本身就能让同一模型在基准测试上从 Top 30 跃升至 Top 5。
文章要点：
- Agent = Model + Harness：如果你不是模型本身，那你就是 Harness。Harness 是除模型权重外的一切代码、配置与执行逻辑，负责把模型的"智商"转化为"产能"
- 模型天生会"健忘"：裸模型只能处理上下文窗口内的信息，无法跨会话记住状态、执行代码或获取实时知识，这些"超能力"全靠 Harness 赋予
- 文件系统是最底层的基础设施：给 Agent 一个工作目录，它就能读写数据、卸载超长上下文、还能让多个 Agent 像同事一样通过共享文件协作
- Bash + 代码执行是万能瑞士军刀：与其为每个场景预写工具，不如直接给 Agent 一个终端，让它现场写代码、装依赖、自己造工具解决问题
- 沙盒让 Agent 安全地"动手"：在隔离环境里跑代码、测效果、看日志，既防手滑删库，又能按需扩容、用完即焚
- 记忆靠"上下文注入"实现：通过 AGENTS.md 等记忆文件标准，把历史经验塞进新会话；再配合网络搜索和 MCP 工具，突破训练数据的时间 cutoff
- 上下文腐烂是隐形杀手：随着对话变长，模型性能会断崖下跌。Harness 通过 Compaction（智能摘要）、Tool 输出卸载和 Skills 渐进式加载来保护宝贵的上下文空间
- 长程任务需要"接力跑"：Ralph Loop 机制让 Agent 在上下文耗尽时，从文件系统读取进度、换一块"干净"上下文继续干；配合 git 记录和自验证循环，实现跨会话的复杂项目开发
- Harness 与模型在"共同进化"：Claude Code、Codex 等产品会把 Harness 逻辑也放进后训练环节，但有趣的是——换一套更优 Harness，同一模型排名能从 30 名外冲进前 5
- 未来 Harness 会"瘦身"但不会消失：随着模型原生规划、验证能力变强，部分 Harness 功能会被模型吸收；但就像提示工程至今仍有价值，Harness 工程作为"围绕模型智能设计系统"的学科，仍将持续发光
文章URL：https://www.langchain.com/blog/the-anatomy-of-an-agent-harness
《Mirage：AI Agent的统一虚拟文件系统》
标签：#AI_Tools #AI_Agent #文件系统 #Python #TypeScript #SDK #S3 #Slack #GitHub #Redis #缓存 #OpenAI #Vercel_AI_SDK #LangChain
总结：
Mirage 是一个专为 AI Agent 设计的统一虚拟文件系统，它将 S3、Google Drive、Slack、Gmail、Redis 等数十种后端服务挂载到同一棵文件树下。Agent 只需用熟悉的 Unix/bash 工具（如 grep、cat、cp）就能跨服务读写数据，无需学习 N 个 SDK 或 MCP。支持 Python/TypeScript SDK 和 CLI，可嵌入 FastAPI、Express 等应用，并内置双层缓存（索引缓存 + 文件缓存）减少网络开销，兼容 OpenAI Agents SDK、Vercel AI SDK、LangChain 等主流框架。
文章要点：
- 统一挂载，万物皆文件：把 S3、GDrive、Slack、GitHub、MongoDB、Redis 等后端并排挂载到同一个根目录下，Agent 看到的始终只有一棵树
- 零学习成本：任何懂 bash 的 LLM 都能直接上手，用
- 双层缓存省流量：自带索引缓存（目录列表）和文件缓存（对象字节），默认用内存，也可切 Redis 共享给多进程/多机器
- 多语言 SDK + CLI：提供 Python 和 TypeScript（Node / Browser / Core）SDK，以及轻量 CLI，可嵌入你的 FastAPI、Express 或浏览器应用
- 主流框架即插即用：已适配 OpenAI Agents SDK、Vercel AI SDK、LangChain、Pydantic AI、CAMEL、OpenHands 等
- 工作空间可移植：支持克隆、快照、版本化管理，Agent 运行环境能在机器间迁移而不必重新配置
文章URL：https://github.com/strukto-ai/mirage
标签：#AI_Tools #AI_Agent #文件系统 #Python #TypeScript #SDK #S3 #Slack #GitHub #Redis #缓存 #OpenAI #Vercel_AI_SDK #LangChain
总结：
Mirage 是一个专为 AI Agent 设计的统一虚拟文件系统，它将 S3、Google Drive、Slack、Gmail、Redis 等数十种后端服务挂载到同一棵文件树下。Agent 只需用熟悉的 Unix/bash 工具（如 grep、cat、cp）就能跨服务读写数据，无需学习 N 个 SDK 或 MCP。支持 Python/TypeScript SDK 和 CLI，可嵌入 FastAPI、Express 等应用，并内置双层缓存（索引缓存 + 文件缓存）减少网络开销，兼容 OpenAI Agents SDK、Vercel AI SDK、LangChain 等主流框架。
文章要点：
- 统一挂载，万物皆文件：把 S3、GDrive、Slack、GitHub、MongoDB、Redis 等后端并排挂载到同一个根目录下，Agent 看到的始终只有一棵树
- 零学习成本：任何懂 bash 的 LLM 都能直接上手，用
grep、cat、cp、wc 这些经典命令跨服务操作，不用记新 API- 双层缓存省流量：自带索引缓存（目录列表）和文件缓存（对象字节），默认用内存，也可切 Redis 共享给多进程/多机器
- 多语言 SDK + CLI：提供 Python 和 TypeScript（Node / Browser / Core）SDK，以及轻量 CLI，可嵌入你的 FastAPI、Express 或浏览器应用
- 主流框架即插即用：已适配 OpenAI Agents SDK、Vercel AI SDK、LangChain、Pydantic AI、CAMEL、OpenHands 等
- 工作空间可移植：支持克隆、快照、版本化管理，Agent 运行环境能在机器间迁移而不必重新配置
文章URL：https://github.com/strukto-ai/mirage
GitHub
GitHub - strukto-ai/mirage: The World's First Virtual Terminal for AI Agents
The World's First Virtual Terminal for AI Agents. Contribute to strukto-ai/mirage development by creating an account on GitHub.
《Pixelle-Video：AI全自动短视频引擎》
标签：#AI工具 #视频生成 #ComfyUI #TTS #开源项目 #Streamlit #Python
总结：
Pixelle-Video 是一款开源的 AI 全自动短视频生成工具，通过 Streamlit 提供可视化 Web 界面，支持从文案创作、AI 配图、语音合成到视频拼接的完整工作流，用户只需输入主题即可一键生成带 BGM 的短视频，且支持完全本地免费运行。
文章要点：
- **全流程自动化**：输入主题后，AI 自动完成脚本撰写、分镜规划、图片生成、语音配音和视频合成，几分钟内输出成品短视频
- **灵活的内容输入**：支持"AI 生成内容"模式（输入主题自动写稿）和"固定文案"模式（直接粘贴现成文案），满足不同创作需求
- **丰富的语音与视觉配置**：TTS 支持 Edge-TTS、Index-TTS 等多种工作流，还可上传参考音频进行声音克隆；图像生成支持本地 ComfyUI 和云端 RunningHub，风格可通过提示词前缀自由定制
- **可扩展的模板系统**：提供静态、图片、视频三类 HTML 模板，支持竖屏/横屏/方形多种尺寸，懂前端的同学还能自定义模板
- **零成本运行方案**：本地部署 Ollama + ComfyUI 可实现完全免费使用；也支持通义千问、GPT、DeepSeek 等云端 API 作为备选
- **开箱即用的部署方式**：Windows 用户有免配置一键整合包，macOS/Linux 用户通过 uv 即可快速启动，门槛非常友好
文章URL：https://github.com/AIDC-AI/Pixelle-Video
标签：#AI工具 #视频生成 #ComfyUI #TTS #开源项目 #Streamlit #Python
总结：
Pixelle-Video 是一款开源的 AI 全自动短视频生成工具，通过 Streamlit 提供可视化 Web 界面，支持从文案创作、AI 配图、语音合成到视频拼接的完整工作流，用户只需输入主题即可一键生成带 BGM 的短视频，且支持完全本地免费运行。
文章要点：
- **全流程自动化**：输入主题后，AI 自动完成脚本撰写、分镜规划、图片生成、语音配音和视频合成，几分钟内输出成品短视频
- **灵活的内容输入**：支持"AI 生成内容"模式（输入主题自动写稿）和"固定文案"模式（直接粘贴现成文案），满足不同创作需求
- **丰富的语音与视觉配置**：TTS 支持 Edge-TTS、Index-TTS 等多种工作流，还可上传参考音频进行声音克隆；图像生成支持本地 ComfyUI 和云端 RunningHub，风格可通过提示词前缀自由定制
- **可扩展的模板系统**：提供静态、图片、视频三类 HTML 模板，支持竖屏/横屏/方形多种尺寸，懂前端的同学还能自定义模板
- **零成本运行方案**：本地部署 Ollama + ComfyUI 可实现完全免费使用；也支持通义千问、GPT、DeepSeek 等云端 API 作为备选
- **开箱即用的部署方式**：Windows 用户有免配置一键整合包，macOS/Linux 用户通过 uv 即可快速启动，门槛非常友好
文章URL：https://github.com/AIDC-AI/Pixelle-Video
GitHub
GitHub - ATH-MaaS/Pixelle-Video: 🚀 AI 全自动短视频引擎 | AI Fully Automated Short Video Engine
🚀 AI 全自动短视频引擎 | AI Fully Automated Short Video Engine - ATH-MaaS/Pixelle-Video
《OpenWolf：Claude Code 的开源"第二大脑"》
标签：#AI辅助编程 #Claude_Code #Token优化 #开发工具
总结：OpenWolf 是一款为 Claude Code CLI 设计的开源中间件，通过 6 个无感知的生命周期钩子脚本，为 AI 助手提供项目文件索引、学习记忆和 Token 追踪能力。实测在 20 个项目、132+ 会话中平均减少 65.8% 的 Token 消耗，最高可达 80%，同时拦截 71% 的重复文件读取，让 Claude Code 从"盲目工作"变成"有记忆地智能工作"。
文章要点：
- 解决 Claude Code 的"盲目"痛点：Claude 在读取文件前不知道文件内容，会重复读取同一文件、扫描整个目录找函数，导致 Token 消耗过快
- 6 个钩子脚本实现无感知增强：基于 SessionStart、PreToolUse、PostToolUse、Stop 三个生命周期事件，自动执行文件索引、重复读取拦截、偏好记忆和 Token 估算，无需改变任何工作习惯
- 核心文件系统构建"第二大脑"：
- 显著的 Token 节省效果：大型项目实测从 250 万 Token 降至 42.5 万（节省约 80%），20 个项目平均节省 65.8%，拦截 71% 的重复读取，累计节省超 200 万 Token
- 纯本地运行零额外成本：所有钩子均为纯 Node.js 文件 I/O，无网络请求、无外部 API 调用，仅依赖 Node.js 20+ 和 Claude Code CLI
- 额外实用功能：内置 Design QC 自动截图供 Claude 评估 UI，Reframe 功能提供 12 个 UI 框架的迁移知识库，支持实时 Web 仪表盘查看统计数据
- 诚实的局限性说明：Claude Code 钩子功能较新偶有可靠性问题，Token 追踪基于字符比例估算（误差约 15%），cerebrum.md 依赖 Claude 遵守指令更新（合规率 85-90%）
文章URL：https://github.com/cytostack/openwolf
标签：#AI辅助编程 #Claude_Code #Token优化 #开发工具
总结：OpenWolf 是一款为 Claude Code CLI 设计的开源中间件，通过 6 个无感知的生命周期钩子脚本，为 AI 助手提供项目文件索引、学习记忆和 Token 追踪能力。实测在 20 个项目、132+ 会话中平均减少 65.8% 的 Token 消耗，最高可达 80%，同时拦截 71% 的重复文件读取，让 Claude Code 从"盲目工作"变成"有记忆地智能工作"。
文章要点：
- 解决 Claude Code 的"盲目"痛点：Claude 在读取文件前不知道文件内容，会重复读取同一文件、扫描整个目录找函数，导致 Token 消耗过快
- 6 个钩子脚本实现无感知增强：基于 SessionStart、PreToolUse、PostToolUse、Stop 三个生命周期事件，自动执行文件索引、重复读取拦截、偏好记忆和 Token 估算，无需改变任何工作习惯
- 核心文件系统构建"第二大脑"：
anatomy.md 记录项目文件地图与 Token 估算，cerebrum.md 积累用户偏好与"不再重复"清单，buglog.json 归档历史 Bug 修复方案，token-ledger.json 追踪终身 Token 消耗 - 显著的 Token 节省效果：大型项目实测从 250 万 Token 降至 42.5 万（节省约 80%），20 个项目平均节省 65.8%，拦截 71% 的重复读取，累计节省超 200 万 Token
- 纯本地运行零额外成本：所有钩子均为纯 Node.js 文件 I/O，无网络请求、无外部 API 调用，仅依赖 Node.js 20+ 和 Claude Code CLI
- 额外实用功能：内置 Design QC 自动截图供 Claude 评估 UI，Reframe 功能提供 12 个 UI 框架的迁移知识库，支持实时 Web 仪表盘查看统计数据
- 诚实的局限性说明：Claude Code 钩子功能较新偶有可靠性问题，Token 追踪基于字符比例估算（误差约 15%），cerebrum.md 依赖 Claude 遵守指令更新（合规率 85-90%）
文章URL：https://github.com/cytostack/openwolf
GitHub
GitHub - cytostack/openwolf: Portable project memory across Claude Code, Codex and OpenCode, plus token accounting measured from…
Portable project memory across Claude Code, Codex and OpenCode, plus token accounting measured from harness transcripts. Local file I/O, no API calls, no telemetry. - cytostack/openwolf
《大规模AI代码审查编排实践》
标签：#DevOps #AI辅助编程 #CodeReview #CI_CD #LLM #多智能体系统 #Cloudflare #OpenCode #插件架构
总结：
Cloudflare为解决代码审查瓶颈，放弃单一LLM直接审diff的噪音方案，转而基于开源代理OpenCode构建CI原生编排系统。该系统采用可组合插件架构，通过风险分级（Trivial/Lite/Full）动态调度最多7个专业审查智能体（安全、性能、质量等），由协调者代理去重、过滤并做出审批决策。系统已在数万MR上运行，能精准拦截真实漏洞，同时保留"break glass"人工逃生通道。
文章要点：
- **从噪音到精准**：早期直接把git diff塞给LLM的方案产生了大量幻觉和模糊建议，团队很快意识到需要专业化分工而非单一通用提示词
- **插件化架构**：系统基于OpenCode构建，采用完全解耦的插件体系（GitLab、AI网关、合规检查、遥测等各自独立），通过`ConfigureContext` API贡献配置，最终组装成`opencode.json`
- **多智能体协作**：最多同时启动7个专业审查者各司其职，协调者代理负责去重、重新分类、合理性验证，并按严格规则做出approve/approve_with_comments/unapprove/request_changes四级决策
- **风险分级省成本**：按代码行数和文件数将MR分为Trivial/Lite/Full三级，小改动只派2个轻量代理且降级模型，安全相关文件永远触发Full审查，避免用大模型审typo
- **工程细节满满**：使用JSONL流式处理避免内存爆炸；通过磁盘patch文件共享上下文节省7倍token；清理XML边界标签防止提示注入；30秒心跳日志消除"模型思考中"的误取消
文章URL：https://blog.cloudflare.com/ai-code-review
标签：#DevOps #AI辅助编程 #CodeReview #CI_CD #LLM #多智能体系统 #Cloudflare #OpenCode #插件架构
总结：
Cloudflare为解决代码审查瓶颈，放弃单一LLM直接审diff的噪音方案，转而基于开源代理OpenCode构建CI原生编排系统。该系统采用可组合插件架构，通过风险分级（Trivial/Lite/Full）动态调度最多7个专业审查智能体（安全、性能、质量等），由协调者代理去重、过滤并做出审批决策。系统已在数万MR上运行，能精准拦截真实漏洞，同时保留"break glass"人工逃生通道。
文章要点：
- **从噪音到精准**：早期直接把git diff塞给LLM的方案产生了大量幻觉和模糊建议，团队很快意识到需要专业化分工而非单一通用提示词
- **插件化架构**：系统基于OpenCode构建，采用完全解耦的插件体系（GitLab、AI网关、合规检查、遥测等各自独立），通过`ConfigureContext` API贡献配置，最终组装成`opencode.json`
- **多智能体协作**：最多同时启动7个专业审查者各司其职，协调者代理负责去重、重新分类、合理性验证，并按严格规则做出approve/approve_with_comments/unapprove/request_changes四级决策
- **风险分级省成本**：按代码行数和文件数将MR分为Trivial/Lite/Full三级，小改动只派2个轻量代理且降级模型，安全相关文件永远触发Full审查，避免用大模型审typo
- **工程细节满满**：使用JSONL流式处理避免内存爆炸；通过磁盘patch文件共享上下文节省7倍token；清理XML边界标签防止提示注入；30秒心跳日志消除"模型思考中"的误取消
文章URL：https://blog.cloudflare.com/ai-code-review
Cloudflare Blog
Orchestrating AI Code Review at scale
Learn about how we built a CI-native AI code reviewer using OpenCode that helps our engineers ship better, safer code.
《MCP已死，CLI万岁》
标签：#AI工具 #开发工具 #MCP #CLI #LLM工具链 #Anthropic #AI代理
总结：
作者认为Anthropic推出的MCP协议正走向消亡，主张LLM应直接使用CLI工具而非专用协议。CLI具备可组合性、调试友好、认证成熟、无额外进程等优势，而MCP存在初始化不稳定、重复认证、权限粒度粗等实际痛点。最好的工具应同时服务人类与机器，开发者应优先打磨API和CLI。
文章要点：
- LLM天生就会用命令行：它们在海量man page、Stack Overflow和shell脚本中训练过，给Claude一个CLI和文档，它就能直接上手，根本不需要新协议
- 调试体验天差地别：CLI出问题你可以亲自跑一遍同样的命令，看到和AI完全一致的输入输出；MCP出错却要钻JSON传输日志，排查像考古
- 管道和组合才是生产力：CLI能通过`jq`、`grep`、重定向灵活处理数据；MCP面对大型Terraform计划只能全塞进上下文窗口，或额外写过滤逻辑，费力不讨好
- 认证体系早已成熟：`aws`、`gh`、`kubectl`都有经过实战检验的SSO和凭证管理，AI和人类共用同一套流程，坏了就按老办法修，不用学MCP专属排错
- 没有后台进程更省心：MCP服务器是常驻进程，会挂起、会掉线、需要状态管理；CLI只是磁盘上的二进制文件，随用随走，干净利落
- 日常使用的真实摩擦：MCP初始化经常抽风要重启，多工具反复认证让人崩溃，权限控制只有白名单名字做不到只读或参数级限制；CLI完全没有这些烦恼
- MCP并非毫无价值：只有当某个工具确实没有CLI时，MCP才是合理选择，标准化接口在极少数场景也有意义
- 给工具开发者的建议：如果你公司在砸钱做MCP服务器却没有官方CLI，赶紧停下来——先把API和CLI做好，AI代理自己会搞定剩下的
文章URL：https://ejholmes.github.io/2026/02/28/mcp-is-dead-long-live-the-cli.html
标签：#AI工具 #开发工具 #MCP #CLI #LLM工具链 #Anthropic #AI代理
总结：
作者认为Anthropic推出的MCP协议正走向消亡，主张LLM应直接使用CLI工具而非专用协议。CLI具备可组合性、调试友好、认证成熟、无额外进程等优势，而MCP存在初始化不稳定、重复认证、权限粒度粗等实际痛点。最好的工具应同时服务人类与机器，开发者应优先打磨API和CLI。
文章要点：
- LLM天生就会用命令行：它们在海量man page、Stack Overflow和shell脚本中训练过，给Claude一个CLI和文档，它就能直接上手，根本不需要新协议
- 调试体验天差地别：CLI出问题你可以亲自跑一遍同样的命令，看到和AI完全一致的输入输出；MCP出错却要钻JSON传输日志，排查像考古
- 管道和组合才是生产力：CLI能通过`jq`、`grep`、重定向灵活处理数据；MCP面对大型Terraform计划只能全塞进上下文窗口，或额外写过滤逻辑，费力不讨好
- 认证体系早已成熟：`aws`、`gh`、`kubectl`都有经过实战检验的SSO和凭证管理，AI和人类共用同一套流程，坏了就按老办法修，不用学MCP专属排错
- 没有后台进程更省心：MCP服务器是常驻进程，会挂起、会掉线、需要状态管理；CLI只是磁盘上的二进制文件，随用随走，干净利落
- 日常使用的真实摩擦：MCP初始化经常抽风要重启，多工具反复认证让人崩溃，权限控制只有白名单名字做不到只读或参数级限制；CLI完全没有这些烦恼
- MCP并非毫无价值：只有当某个工具确实没有CLI时，MCP才是合理选择，标准化接口在极少数场景也有意义
- 给工具开发者的建议：如果你公司在砸钱做MCP服务器却没有官方CLI，赶紧停下来——先把API和CLI做好，AI代理自己会搞定剩下的
文章URL：https://ejholmes.github.io/2026/02/28/mcp-is-dead-long-live-the-cli.html
《AI编码代理生产级工程技能集》
标签：#AI辅助编程 #开发工具 #AI_Agent #工程规范 #ClaudeCode #Cursor #代码审查 #测试驱动开发 #CI_CD
总结：
这是一个为AI编码代理（如Claude Code、Cursor、GitHub Copilot等）设计的生产级工程技能仓库，由Addy Osmani维护。它将资深工程师在真实项目中的工作流、质量门禁和最佳实践编码为20个结构化技能，覆盖从需求定义到上线发布的完整开发生命周期，让AI代理在每次编码时都能保持一致的专业水准，避免走"最短路径"而跳过测试、审查等关键环节。
文章要点：
- 六阶段开发流水线：从Define（定义需求）→ Plan（拆解任务）→ Build（增量编码）→ Verify（验证测试）→ Review（质量门禁）→ Ship（安全发布），像工厂流水线一样规范AI的每一步动作
- 7个斜杠命令即开即用：
- 20个实战技能全覆盖：从API设计、前端工程、TDD测试驱动，到性能优化、安全加固、Git工作流、CI/CD自动化，每个技能都自带步骤清单、验证标准和"反找借口"表格（比如AI想跳过测试时，会被技能里的反驳论据怼回去😄）
- 多工具无缝兼容：Claude Code一键插件安装，Cursor复制到rules目录，Gemini CLI、Windsurf、GitHub Copilot、Kiro等主流AI编程工具都能直接用，技能就是纯Markdown，通吃所有支持系统提示词的代理
- Google工程文化落地：融入了Hyrum定律、Beyonce规则、测试金字塔、Chesterton围栏等Google实战智慧，不是泛泛而谈的理论，而是嵌入到每一步工作流中的可执行标准
文章URL：https://github.com/addyosmani/agent-skills
标签：#AI辅助编程 #开发工具 #AI_Agent #工程规范 #ClaudeCode #Cursor #代码审查 #测试驱动开发 #CI_CD
总结：
这是一个为AI编码代理（如Claude Code、Cursor、GitHub Copilot等）设计的生产级工程技能仓库，由Addy Osmani维护。它将资深工程师在真实项目中的工作流、质量门禁和最佳实践编码为20个结构化技能，覆盖从需求定义到上线发布的完整开发生命周期，让AI代理在每次编码时都能保持一致的专业水准，避免走"最短路径"而跳过测试、审查等关键环节。
文章要点：
- 六阶段开发流水线：从Define（定义需求）→ Plan（拆解任务）→ Build（增量编码）→ Verify（验证测试）→ Review（质量门禁）→ Ship（安全发布），像工厂流水线一样规范AI的每一步动作
- 7个斜杠命令即开即用：
/spec写需求文档、/build增量开发、/test跑测试、/review代码审查……输入命令就能自动激活对应的技能组合，非常顺手- 20个实战技能全覆盖：从API设计、前端工程、TDD测试驱动，到性能优化、安全加固、Git工作流、CI/CD自动化，每个技能都自带步骤清单、验证标准和"反找借口"表格（比如AI想跳过测试时，会被技能里的反驳论据怼回去😄）
- 多工具无缝兼容：Claude Code一键插件安装，Cursor复制到rules目录，Gemini CLI、Windsurf、GitHub Copilot、Kiro等主流AI编程工具都能直接用，技能就是纯Markdown，通吃所有支持系统提示词的代理
- Google工程文化落地：融入了Hyrum定律、Beyonce规则、测试金字塔、Chesterton围栏等Google实战智慧，不是泛泛而谈的理论，而是嵌入到每一步工作流中的可执行标准
文章URL：https://github.com/addyosmani/agent-skills
GitHub
GitHub - addyosmani/agent-skills: Production-grade engineering skills for AI coding agents.
Production-grade engineering skills for AI coding agents. - addyosmani/agent-skills
《从基础学科到通用人工智能：25学科知识地图》
标签：#AI教育 #知识图谱 #AGI #跨学科学习 #深度学习 #机器学习 #强化学习 #认知科学 #DataWhale
总结：
这是一份由DataWhale社区维护的AI跨学科知识导航页，将支撑通用人工智能的25门基础学科按数学、计算、认知、决策、物理哲学五大簇组织，并提供多条能力形成路径（表示训练、结构关系、智能体控制、自然智能与AGI），帮助学习者从"学科目录"走向"能力路径"，降低跨学科学习成本，避免在庞杂专题中迷路。
文章要点：
- AI本质是跨学科汇流系统，从1943年McCulloch-Pitts神经元到2022年后大模型与Agent，历史脉络清晰展示了数学、工程、认知、哲学等学科的交汇
- 25门学科被系统分为五大簇：数学与形式基础（概率/线代/优化/信息论等）、计算与系统工程（数值分析/控制论/硬件并行等）、认知生物与语言（神经科学/心理学/语言学等）、决策交互与社会机制（运筹学/博弈论/经济学）、物理与哲学基础（统计物理/哲学）
- 提供了五条能力形成路径：表示与训练、结构与关系、不确定性与因果、控制与智能体、自然智能与AGI，让学习围绕"能力如何长出来"而非"学科如何分类"来组织
- 针对不同目标读者定制了四条入门路线：机器学习/深度学习、结构化AI/图学习、强化学习/智能体、推理/AGI，并精选10个优先专题作为"最短抓手"
- 核心定位是"导航页"而非"正文替代者"，强调通过横向跳转、反向链接和跨学科汇流点来提升学习效率，避免线性单学科推进
文章URL：https://github.com/datawhalechina/Path2AGI
标签：#AI教育 #知识图谱 #AGI #跨学科学习 #深度学习 #机器学习 #强化学习 #认知科学 #DataWhale
总结：
这是一份由DataWhale社区维护的AI跨学科知识导航页，将支撑通用人工智能的25门基础学科按数学、计算、认知、决策、物理哲学五大簇组织，并提供多条能力形成路径（表示训练、结构关系、智能体控制、自然智能与AGI），帮助学习者从"学科目录"走向"能力路径"，降低跨学科学习成本，避免在庞杂专题中迷路。
文章要点：
- AI本质是跨学科汇流系统，从1943年McCulloch-Pitts神经元到2022年后大模型与Agent，历史脉络清晰展示了数学、工程、认知、哲学等学科的交汇
- 25门学科被系统分为五大簇：数学与形式基础（概率/线代/优化/信息论等）、计算与系统工程（数值分析/控制论/硬件并行等）、认知生物与语言（神经科学/心理学/语言学等）、决策交互与社会机制（运筹学/博弈论/经济学）、物理与哲学基础（统计物理/哲学）
- 提供了五条能力形成路径：表示与训练、结构与关系、不确定性与因果、控制与智能体、自然智能与AGI，让学习围绕"能力如何长出来"而非"学科如何分类"来组织
- 针对不同目标读者定制了四条入门路线：机器学习/深度学习、结构化AI/图学习、强化学习/智能体、推理/AGI，并精选10个优先专题作为"最短抓手"
- 核心定位是"导航页"而非"正文替代者"，强调通过横向跳转、反向链接和跨学科汇流点来提升学习效率，避免线性单学科推进
文章URL：https://github.com/datawhalechina/Path2AGI
GitHub
GitHub - datawhalechina/Path2AGI: 从基础学科到通用人工智能 - 跨学科知识图谱
从基础学科到通用人工智能 - 跨学科知识图谱. Contribute to datawhalechina/Path2AGI development by creating an account on GitHub.
《OpenAI Agents SDK：轻量级多智能体工作流框架》
标签：#AI #多智能体 #Python #OpenAI #MCP #智能体工作流 #LLM #实时语音 #沙箱环境
总结：
OpenAI Agents SDK 是一个轻量但功能强大的 Python 框架，用于构建多智能体工作流。它支持 OpenAI 的 Responses 和 Chat Completions API，同时兼容 100 多种其他 LLM，具有供应商无关性。框架围绕"智能体"这一核心概念展开，每个智能体都配备指令、工具、护栏和交接机制，让复杂任务可以像搭积木一样拆解协作。
文章要点：
- 智能体是核心乐高积木：每个智能体都自带"说明书"（指令）、"工具箱"（函数/MCP/托管工具）和"安全护栏"（输入输出校验），还能互相"交接"任务，像团队协作一样分工处理复杂流程
- 沙箱智能体让AI真正"动手干活"：0.14.0 版本新增的 Sandbox Agent 能在容器环境里操作文件系统、运行命令、打补丁，适合需要长时间执行且要保留工作状态的"重体力"任务
- 人在回路，安全可控：内置了人类介入机制，在关键节点可以暂停流程等人来确认，避免AI"自作主张"搞出大新闻
- 全链路可观测：自带 Tracing 追踪系统，能可视化查看每个智能体的思考过程、工具调用耗时和 Token 消耗，方便调试和优化
- 不挑模型，兼容百家：虽然是 OpenAI 出品，但设计上保持中立，支持接入 100+ 种 LLM，包括通过 LiteLLM 等适配层接入国产模型
- 实时语音也能玩：支持用
文章URL：https://github.com/openai/openai-agents-python
标签：#AI #多智能体 #Python #OpenAI #MCP #智能体工作流 #LLM #实时语音 #沙箱环境
总结：
OpenAI Agents SDK 是一个轻量但功能强大的 Python 框架，用于构建多智能体工作流。它支持 OpenAI 的 Responses 和 Chat Completions API，同时兼容 100 多种其他 LLM，具有供应商无关性。框架围绕"智能体"这一核心概念展开，每个智能体都配备指令、工具、护栏和交接机制，让复杂任务可以像搭积木一样拆解协作。
文章要点：
- 智能体是核心乐高积木：每个智能体都自带"说明书"（指令）、"工具箱"（函数/MCP/托管工具）和"安全护栏"（输入输出校验），还能互相"交接"任务，像团队协作一样分工处理复杂流程
- 沙箱智能体让AI真正"动手干活"：0.14.0 版本新增的 Sandbox Agent 能在容器环境里操作文件系统、运行命令、打补丁，适合需要长时间执行且要保留工作状态的"重体力"任务
- 人在回路，安全可控：内置了人类介入机制，在关键节点可以暂停流程等人来确认，避免AI"自作主张"搞出大新闻
- 全链路可观测：自带 Tracing 追踪系统，能可视化查看每个智能体的思考过程、工具调用耗时和 Token 消耗，方便调试和优化
- 不挑模型，兼容百家：虽然是 OpenAI 出品，但设计上保持中立，支持接入 100+ 种 LLM，包括通过 LiteLLM 等适配层接入国产模型
- 实时语音也能玩：支持用
gpt-realtime-1.5 构建语音智能体，把实时语音能力也纳入多智能体协作体系文章URL：https://github.com/openai/openai-agents-python
GitHub
GitHub - openai/openai-agents-python: A lightweight, powerful framework for multi-agent workflows
A lightweight, powerful framework for multi-agent workflows - openai/openai-agents-python
