肖恩技术周刊97：协同进化

小伙伴们，又一个月不见啦！AI时代创作的速度越来越快，内容和软件都像不要钱一样，全世界都在疯狂的构建，连Github都被干崩了好几次。理论上输入变多后应该能学到更多东西，从而让个人能输出更多。但实际情况却是提笔越来越难了，每次想到一个主题，兴致勃勃的打开编辑器却不知道从何写起，最后只好作罢。

更多的人将写作外包给了Agent，宣称只是将执行交给了AI，文章的内核和想法都是个人的。实际上如何呢？用Agent写作的时候你肯定忍不住会问：我这篇文章的观点是否正确？大纲是否需要调整？案例和论点是否站的住脚？AI 当然会通过各种工具调用后给出一堆看起来非常有道理的修改意见，这篇文章就在这一轮又一轮的修改中逐渐趋于完善，最后再用一个去AI味SKILL达到“完美”。但这篇文章已经不属于你了，体现不出个人真实的想法和能力，只剩下虚假的满足感。

罗翔说：“拒绝读书当然是一种愚蠢，但是因为读书而滋生出骄傲与傲慢是一种更大的愚蠢。”结合现状，我想重新表达为：“拒绝AI当然是一种愚蠢，但是因为AI而滋生出的虚假强大是一种更大的愚蠢。” AI放大了个人的自负情绪，让我们更难评估自己真实的能力。古法编程时代的区，也能在AI加持下成为新时代的“神”。

那么我们该如何做，才能在AI时代不被虚假的强大所迷惑，实现个人能力真正的成长呢？我不知道，因为我现在也每天泡在Codex中，用AI不断地生成Slop，不断地阅读、审阅并提出建议，不断地“再改下XXX”、“优化下XXX”和“继续”。但在闲暇时刻，我比以往更愿意去翻开一本买了很久未看的软件工程书籍，读一读MySQL、HTTP的原理，感受技术的真实和美丽。

个人动态

Infinitum 发布 v0.2.1 版本

核心功能基本收敛了，新版本主要优化了AI生成效果和提升了执行的稳定性，包含：

日报智能生成流水线：实现模板驱动的日报生成，拆分选题规划与正文写作，提升日报生成的稳定性和可控性。
日报质量控制与恢复：增加日报主题边界、候选去重、规划数量限制、审核及失败恢复机制，并记录 AI 使用情况。
抓取任务恢复处理：支持对抓取流程中未完成或失败的条目进行恢复处理，且在恢复和重新分析时保持聚合结果稳定。
实体化内容治理：将标签处理迁移到实体体系，补充实体候选治理、回填和展示优化，使内容归类更规范。

佳文共赏

肖恩：近期读到很多文章都开始深入思考AI时代下个人的新定位，是成为技术的狂热者，还是成为冷静的反思者。但有一件事已经成为事实，那就是软件行业已不可能回到古法编程模式了，编程智能体已经成为行业重要的组成部分，未来更多的是探索协同进化。

为什么超级个体不需要超级团队？

“超级个体”成立但“超级团队”是误解，能力叠加会受到社会惰化、沟通成本和判断冲突影响，AI的价值不是消除团队损耗，而是让个体调用可搬运的能力，形成单一意志与多个执行体的“编队”。

工程师会想尽一切办法避免从历史中吸取教训

工程师在管理AI代理时重新发现了需求定义、任务分工、质量验收和进度同步等项目管理方法，却常将既有的软件工程与管理知识包装成新概念；应借鉴瀑布模型、约束理论和大型项目管理经验，避免重复踩坑。

未来属于每个人

Meta CEO 扎克伯克主张将超级智能广泛交给个人而非少数机构控制，以个人赋能、发明导向和权力制衡应对就业、安全、治理与地缘竞争风险，认为可信私密的个人智能体、开放生态及政府协作可让AI促进繁荣并维持人类控制。

“代码从来都不是难点”是对所有程序员的侮辱

反驳“编码容易、难的是决定做什么”的二元论，认为软件工程既需要扎实的实现技艺，也需要理解用户与业务；面对AI带来的行业变迁，开发者应保持批判学习、拓展相邻能力，并保有独立判断、责任感与品味。

技术与叙事：一部关于狂热者与反思者的历史

梳理蒸汽、电力、互联网到AI的技术叙事循环，指出乐观承诺常以“进步”和“不可避免”遮蔽代价，而批判虽迟到却会转化为制度护栏，成熟文明应为反思声音保留位置。

成为 Linux Torvalds

借 Linus 从亲自写代码转向 Linux 项目设计与协调的角色，说明 AI 编程不是简单提示生成代码，而是让专家像维护者一样把控方向、质量与取舍，软件能力重心转向架构判断和代理协作。

协同进化：2026年人工智能十大趋势研判

2026年AI产业从模型规模竞争转向智能可用竞争，模型进化延伸到部署和使用环节，工程基础设施、可信执行、商业定价和组织形态同步重构，核心命题变为系统性驾驭AI并与其协同进化。

使用 AI 会让人们更不愿意承认自己不知道某些事情

法意研究发现，AI建议会显著降低人们承认“不知道”的意愿，即使答案错误仍提升信心；实验中准确率从27%降至9%，信心从30%升至76%，显示AI素养与教育干预必要性。

智能体实践

肖恩：Agent相关的实践（Harness、Loop、Graph）是目前软件开发业界的主线，但从阅读的文章来看还是以理论指导为主，暂未形成收敛之势。作为普通开发人员，可以关注最新的实践思路、进行小规模实操，但不宜深陷其中，因为理论真特么变化的太快了。

近期读到智能体相关的实践文章：

人类判断并不会离开软件工厂，它只是迁移了

讨论由 AI 编程代理驱动的软件工厂，指出其价值在于将代码任务转化为可重复、事件驱动且可验证的交付循环，而非单纯提高生成速度；人类仍需负责产品意图、架构、质量标准、风险判断和最终发布，并通过分层验证、隔离环境、清晰交接与人工边界控制自主程度。

最大化 Claude Code 会话的价值

分析 Claude Code 会话的 Token 成本来源与控制方法，指出费用取决于模型、输入输出、缓存、上下文规模和会话轮数，并建议合理选择模型与 effort、维护提示缓存、缩短上下文、减少工具输出及使用独立子代理，以降低成本并提升效率。

实用循环工程

阐释 Claude Code 与 Codex 的目标型、定时型和主动型循环如何驱动代理迭代完成任务，指出自动化必须以可验证的停止条件、独立验证代理和人工判断为边界，适用于结构明确的运维、分诊与修复流程，不适合主观创作。

多智能体系统中的模式与问题

通过漏洞扫描、协作开发、博弈与信息判断实验表明，多智能体虽可借分工提升搜索效率，却易因同质化、错误信任、目标冲突引发串谋、资源挤兑和升级对抗，能力提升不等于协调改善，需重构声誉、协议与监督机制。

智能代理代码质量

随着代码代理以高吞吐量生成变更，传统人工代码审查无法独立保障质量，团队应在代理周围构建覆盖测试、静态分析、安全策略、环境反馈和发布流程的分层质量门与反压机制，并根据风险、产能和质量目标动态调整约束，将人工注意力集中于复杂判断。

大规模管理 AI 编码成本

在大规模部署 AI 编程工具时控制指数级成本的工程与治理方案，核心包括追踪效率前沿、灵活切换模型、按任务动态路由、渐进式预算管控和降低上下文令牌开销，并借助 AI Gateway 实现广泛使用与可预测成本的平衡。

ChatGPT 如何优化其代理循环：Harness、API 与推理

拆解智能体应用的 Harness、API 与推理三层架构，说明通过增量传输、稳定提示前缀、延迟工具发现、并行安全检查、缓存感知路由、推测解码等技术减少重复计算，降低延迟与每次成功任务成本，并总结简单设计、端到端优化和让智能体参与优化的实践原则。

Agent开始“自我进化”：会出题、会反思，还会自己长出新技能

梳理自进化Agent的三条路线：经验/Skill存储、RL权重训练、零数据自学，指出经验总结者被系统性低估，未来关键在于同时实现自主出题与可训练总结者。

腾讯WorkBuddy实践：如何把Agent做成可用产品

从模型无状态、工具接入和任务执行机制出发，系统拆解 Context Engineering、Harness Engineering 与 Loop Engineering 如何组织上下文、权限、反馈、验证和持续运行。推导出模型决定能力上限，而上下文与工程控制系统决定 Agent 能否稳定、可控地落地。

软件工厂：光明与阴影

分析 AI 代理驱动的软件工厂，指出生成代码已不再是瓶颈，真正约束是验证与人工判断；完全无人审查的暗工厂会积累理解债，合理做法是用架构、测试、类型和审查门控制代理自治边界。

AI代码生成率94%：我们用一个 Skill 跑通需求开发全流程

企业微信团队介绍一套面向企业级移动端项目的 AI 编码 Skill，通过八阶段流水线、项目知识库、需求语义翻译、红线机制和编译/模拟器验证，解决 AI 上下文不足、定位不准、越界修改、验证不闭环和跨会话失忆问题，使需求开发可流程化、可校验、可接力。

下面这些都是和智能体、Harness Engineering等相关的开源实践项目，值得参考学习：

DeepSeek Harness：DeepSeek开发的智能体框架

DeepSeek Harness是基于Cordis、采用“一切皆插件”架构的开源智能体框架，旨在提供可扩展的智能体开发与Web运行能力，支持npm或源码启动并采用MIT许可，但当前仅处于开发者预览阶段，存在破坏性变更风险，不宜用于生产环境。

肖恩：DeepSeek重磅开源项目，目前处于早期还比较简陋，但“一切皆插件”的架构很有新意，看好后续发展。

AutoGPT：开源AI代理平台

AutoGPT解决了AI代理工作流构建、部署与运行门槛问题，用户可通过自然语言或可视化方式创建代理并接入45+平台和数百种模型，托管与自托管提供相同核心能力，但平台许可限制竞争性托管销售。

SwarmForge：基于tmux的AI智能体编排平台

SwarmForge解决多AI智能体本地协作开发的编排与交接问题，利用tmux、git worktree和守护进程协调角色流程，按任务复杂度提供三种工作流及多后端终端适配，实现可配置、可扩展的分工协作与质量门禁。

Knowledge Catalog：AI驱动的动态知识图谱

Google Cloud Knowledge Catalog通过动态知识图谱管理数据与元数据，为AI代理补充语义和业务上下文；仓库提供工具、代理和示例代码，支持上下文管理、数据丰富与检索方案构建。

Archify：将代码库转换为可交互的系统架构图

Archify 面向 AI 编程助手，将代码库或系统描述生成可验证、可交互、可导出的架构图，解决技术意图难以转化为可信沟通产物的问题，提升架构审查、变更对比与系统理解效率。

LightRAG：轻量级基于知识图谱的RAG框架

LightRAG以知识图谱与向量嵌入双层架构降低GraphRAG类方案开销，解决大规模RAG索引慢、检索贵、增量更新难的问题，并通过多模态处理、多查询模式和多后端部署提升生产可用性。

LLM Wiki：本地个人知识库

LLM Wiki 解决传统 RAG 只做即时检索、难以沉淀知识的问题，通过 LLM 增量生成并维护结构化 wiki，支持图谱关联、多阶段检索和多格式导入，将召回率提升至 71.4%。

CodeGraph：本地代码知识图谱工具

CodeGraph 用本地代码知识图谱替代 grep/glob 遍历，为 AI 编码助手提供精确语义上下文，平均减少 89% 工具调用、69% token 和 60% 成本，并支持多语言、框架感知、跨语言桥接与本地隐私运行。

Omnigent：AI 智能体元框架

Omnigent以统一编排层解决多种AI智能体运行时难以协同、迁移和治理的问题，支持跨设备同步、多智能体监督、模型灵活接入、云沙箱协作与分级策略控制，使用户可在不重写代码的情况下组合和管理智能体。

TencentDB Agent Memory：AI Agent 团队级记忆中枢

TencentDB Agent Memory将对话、文档和代码沉淀为可复用团队记忆资产，解决多Agent协作重复劳动，并以跨框架共享、分层检索和细粒度权限提升经验复用，测试中用户信息理解应用率由48%升至76%。

Semantica：开源图原生AI基础设施

Semantica为高风险监管领域解决AI决策不可追溯、推理不确定与审计困难问题，以开源可自托管的上下文图和知识图谱替代传统RAG，支持可解释推理、决策溯源、规则合规检查及企业数据接入，v0.6.5同时修复多项严重安全漏洞。

Prime Agent：开源RLM（递归语言模型）智能体

Prime Agent通过递归提示架构、持久化状态与程序化子智能体，解决编码及长期自主任务的连续执行问题，实现并行协作、断点续连和受预算约束的自主运行，但生成代码以用户权限执行，需在隔离环境中使用。

LoopX：Agent控制面板

LoopX以持久化目标、门控、待办、证据和配额等状态，解决长周期AI Agent跨轮次、跨工具协作难审查、难重启和难交接的问题，作为不替代执行层的本地控制平面，已支持多类运行时但仍处早期可用阶段。

学习资料

深入理解 AI Agent：设计原理与工程实践

系统解决AI Agent从原理到工程落地的学习与实践问题，提供10章内容、10种语言版本及94个实验代码，降低开发者构建、评估和扩展Agent的门槛。

肖恩：近期读到有关 AI Agent 最系统、有深度且包含大量工程实践经验的书籍，如果你对当下热门Agent的底层运作原理感兴趣，非常值得通读学习！

Claude Academy：Anthropic官方AI学习平台

Anthropic 面向个人与企业的 AI 学习平台，解决用户从 Claude 基础使用到开发集成的学习与部署问题，提供产品教程、AI Fluency 课程和企业网络研讨会，覆盖对话、协作、编程、团队应用及 API、MCP 集成，帮助用户提升 AI 应用能力与企业落地效率。

肖恩：Anthropic 官方的学习平台，有很多实用的内容，OpenAI也有类似的 OpenAI Academy。

前线部署工程师

FDE通过识别业务问题、客户获取、部署激活、续约扩收与规模复制，将AI模型嵌入真实流程并量化价值，是破解企业AI落地失败、弥合技术与商业价值鸿沟的关键岗位方法论。

AI 原生软件开发生命周期实操手册

AI编码提速后，审批、评审、交接和部署成为软件开发新瓶颈。AI原生SDLC将线性流程改为循环自动化，在计划、设计、构建、测试、部署、维护各阶段嵌入AI代理，以版本化工件衔接流程，并保留人类关键决策，提升交付效率、治理能力与生产响应速度。

AI 文本水印的工作原理

AI文本水印不依赖字符或元数据，而是在模型生成时利用密钥微调候选词选择，使绿色词出现概率累积偏高，持钥者可通过统计检测；轻度改写会稀释标记，重写或重组可抹除标记，检测结果仅表示文本被处理过，不能直接证明作者是AI。

什么是推理

解释闭源模型推理痕迹的生成、隐藏与泄露机制，指出推理痕迹本质是被训练到特定通道的文本，推理强度主要由系统提示词控制，改变思考开关、预填充或输出路由可能导致痕迹泄露。