最新文章

当 AI 从聊天工具走向 Copilot 和 Agent，真正卡住交付质量的，往往不是模型本身，而是缺少一套能重复、能维护、也能沉淀经验的执行路径。本文从 Agent Skills 的定义、工作机制、与 MCP 的关系以及落地方式出发，解释为什么 Skill 正在变成 Agent 系统里的能力封装层。

这篇文章从 Karpathy 对 Vibe Coding 的原始定义出发，结合 Addy Osmani 对 AI-Assisted Engineering 的区分、Claude Code 的 agentic coding 形态，以及 Stanford AI Index 2026 的数据，讨论 AI 编程为什么把工程重点从亲手实现推向定义约束、验证结果和承担后果。

AI 确实提升了知识工作的产出速度，但它并没有自动换来更多自由时间。真正被改写的不是效率本身，而是组织如何重新定义工作量、竞争基准与个人价值。

大多数人使用 LLM 与文档交互的方式是 RAG：每次查询时从头检索、拼凑答案，没有任何东西被真正"建立起来"。LLM Wiki 提出了一种完全不同的思路：让 LLM 持续维护一个结构化 wiki，把知识积累成可复合的持久工件，并利用 LLM 把维护成本压到接近零。

构建 AI Agent 最难的部分不是选模型，而是包裹模型运行的那套基础设施：工具调用、上下文管理、错误恢复、状态持久化、权限控制。这篇文章拆解 Agent Harness 的五大支柱，解释每个设计决策背后的原因与取舍。