技术博客 全部文章

Claude Code在大型代码库落地的关键不在模型本身，而在围绕代码库建立可导航、可维护、可治理的配置体系：用分层CLAUDE.md提供上下文，配合hooks、skills、plugins、LSP、MCP和subagents提升检索、执行与分发效率，并由专人或团队持续维护规则和治理；组织若提前建设基础设施、控制上下文噪音、定期更新配置，采用效果和规模化速度显著提升。

语音智能体的记忆不能沿用文本架构，500至800毫秒响应预算下，同步向量检索和实时总结会破坏对话节奏；可行方案是反转读写路径：通话前预加载用户画像、上次摘要和未结事项，通话中只查热缓存，语义检索和事实写入异步执行，通话后总结并在空闲期整合，最终记忆质量取决于预先准备和筛选，而非临场检索能力。

作者主张在 Claude Code 中用 HTML 取代 Markdown 作为主要输出格式，因为 HTML 能承载表格、SVG、交互、布局和可视化，更适合复杂规格、代码审查、设计原型、研究报告和一次性编辑器；代价是生成更慢、版本 diff 更差，但可读性、分享性和参与感更强，能让人更有效审阅并指导 AI 工作。

语音代理不是给LLM加语音，而是受延迟约束的STT、LLM、TTS流水线；生产主流仍是可观测的级联架构，需用流式、全双工、打断检测和轮次管理把响应压到500至800毫秒内，否则体验会显得机械或失效。

长运行智能体的核心不是更长对话，而是把状态、计划、进度和验证移出上下文窗口，使其能跨多会话、多沙箱持续工作、失败恢复并继续推进；主流方案已收敛为规划、执行、评估分工，加会话日志、记忆层和检查点，影响是AI开始能稳定承担数小时到数周的开发、运维和研究任务，但成本、安全、漂移与验收仍是主要瓶颈。

作者将伪装成 Ubuntu SSH 服务器的蜜罐开放 54 天，记录到 26.9 万次连接、7556 个攻击 IP、25.5 万次登录尝试；多数为自动化脚本，先用弱口令和默认凭据爆破，再执行 uname 等指纹探测，少数进入交互 shell 并部署 Mirai、反连载荷或尝试清痕。流量主要来自云 VPS 与被控家宽设备，Solana 节点成为明确目标，结论是公网 22 端口会在数秒内被持续扫描，SSH 必须禁用密码登录并使用密钥认证。

编码智能体的核心在于"Harness工程"——即围绕AI模型构建的脚手架系统，包括提示词、工具、沙箱、反馈循环等组件，其重要性甚至超过模型本身，优质Harness配合普通模型可胜过劣质Harness配合顶级模型；该工程遵循"棘轮"原则，将每次失败转化为永久规则，通过AGENTS.md、钩子、沙箱隔离、上下文压缩、Ralph循环等机制实现持续优化，且随着模型能力提升，Harness的复杂度会向更高层级迁移而非消失，最终趋向动态组装、多智能体协作的编译器形态。

作者认为当前生产级智能体的主要瓶颈不在模型，而在底层架构失衡，导致治理、可靠性和审计风险持续累积；未来一年团队应押注四件事：为智能体建立平台级身份与权限控制，提供跨系统通用上下文，支持跨天跨周的持久执行与人工审批，以及用开放平台替代自建管道；谁先把智能体基础设施标准化，谁就能把资源集中到真正有差异化的业务逻辑上。

AI产品把记忆当默认卖点，但作者认为它本质是高成本的产品与系统税：常导致答案被旧偏好锚定、上下文膨胀、调试更难，并放大隐私泄露与安全投毒风险。多数场景应先做显式配置、工作流状态和任务级检索，只有长期连续型产品才值得谨慎引入记忆。

作者虽有营收和用户仍因过度精简难获融资，因此给出低成本创业方案：用5到10美元VPS、Go、SQLite、本地GPU跑批量AI，必要时用OpenRouter接入顶级模型，用Copilot控开发成本；多数初创公司无需复杂云架构和风投，也能以极低烧钱实现可扩展增长。