技术博客 全部文章

作者提出AI代理写规格框架：先给清晰高层目标让AI扩展成结构化PRD/SRS，再把大需求拆成模块化小任务按需喂上下文，先只读规划后执行并持续迭代，同时写明边界、自检与测试；结论是降低上下文过载与跑偏，提升产出质量和可控性。

作者提出Agentic Coding提效靠短对话与精简上下文拆解任务，并将修bug、审查等经验沉淀为可复用项目知识库，配合清晰文档与快速测试等开发体验优化，缓解LLM上下文与失忆限制，使人机协作成为可刻意练习且持续复利增效的能力。

AI代理中决策在模型运行时生成，代码仅负责编排，因此系统真实行为与原因需靠trace记录并对比分析，调试测试优化监控协作与产品分析都应围绕trace开展，否则缺乏可观测性将无法掌握质量与成本并易失控。

指南聚焦Cursor编码Agent的harness机制与使用法，要求先用Plan模式做可确认的实现计划并让其自动搜索获取上下文，再用Rules、Skills与hooks驱动持续迭代直至测试通过，配合审查、并行或云端执行及Debug模式定位棘手问题，从而提升重构与交付的效率和稳定性。

Cursor以动态上下文发现优化代码Agent：将工具输出、对话历史、Skills、MCP描述与终端日志写入文件按需检索，减少静态注入，提升回复质量并降低混淆，在调用MCP的运行中token消耗下降46.9%，相关改进将陆续上线。

2025编程助手普及，Anthropic用Claude Code写出约90%自身代码，但要先写规格与计划、把任务拆小迭代、提供充分上下文、按需切换模型并用代理落地，持续测试评审与频繁提交并用规则和自动化兜底，结论是产能显著提升但最终质量与决策仍由工程师负责。

Anthropic 的 Boris Cherny 分享 Claude Code 用法：不追唯一最佳实践，开多个实例并行跑任务，优先用 Opus 提升综合效率，以 CLAUDE.md 沉淀团队规则，先用 Plan 对齐再自动执行，用斜杠命令与子 Agent 自动化流程，接入权限与外部工具并为长任务加自验证闭环，结果是更少返工、更高质量与更可复制的团队工作流。

为解决长时AI代理跨多轮上下文无记忆导致的一次做太多、进度丢失或过早宣告完成，Claude Agent SDK引入初始化代理搭建init.sh、feature_list.json、claude-progress.txt与git基线，后续编码代理按单一功能增量实现、提交记录并用自动化端到端测试后才标记通过，从而提升连续性、可回滚性与交付质量，后续拟探索更专门的多代理分工。

Deep Agents让代理通过文件系统读写、编辑、搜索文件，把工具返回的大段内容、任务计划和技能指令写入并按需用grep/glob回读，缓解上下文窗口与token膨胀、提升冷门信息检索与多步执行可靠性，并可在用户反馈后更新自身指令实现持续学习。

LLM无指导生成网页常陷入Inter字体、紫色渐变等同质化，源于采样时的分布收敛；将排除默认审美并强化排版、主题、动效、背景及多文件React构建等规则封装为按需加载的Skills复用，可在不增加全局上下文负担下显著提升前端品牌辨识度与生成artifact的功能质量。