技术博客 全部文章

研究对比显示AGENTS.md效果取决于内容：自动/init生成的概览多为可自行发现信息，导致噪声、成功率降2-3%且成本增20%+；人工仅写工具陷阱、隐性约定等不可发现信息可提效提准，应将其视为可随问题修复而删减的最小“异味清单”，并按目录分层按需加载以控成本与偏置。

团队用Codex在无人工写码约束下5个月从空仓库交付内测产品，生成约百万行代码与1500次PR，耗时约手写的1/10；人类转为设计脚手架、文档地图、UI与可观测反馈回路并用lint强制架构与品味，使代理可端到端修复发布，但需以“黄金原则”定期清理漂移，长期一致性仍待验证。

Uber在服务网格内推全局限流GRL，采用分层聚合由控制平面下发丢弃比例的概率限流取代Redis计数与令牌桶，并用RLC基于历史流量自动计算并更新配额，结果降低端到端延迟与运维成本、释放存储资源，在流量峰值与攻击下提升平台稳定性与公平性。

作者认为智能体框架不会消失但必须随模型能力同步演进，LangChain体系从链式调用到LangGraph运行时再到DeepAgents实现长任务规划与工具循环并按场景推荐使用；同时推出独立于各框架的LangSmith，通过追踪与评测提升调试监控与上线质量，结论是简单LLM请求可不必上框架但生产级必须具备可观测性。

OpenAI 发布智能体工程手册，提出用Skills按需加载流程、Shell提供执行环境、Compaction自动压缩上下文，并用清晰技能描述与负面示例提升多技能路由可靠性，实测可支撑百万级token与多次工具调用的长期运行且促成跨厂商技能标准化。

Openclaw将对话与数据映射为本机文件，调用Claude读写文件完成任务；若把公司也建模为统一文件系统，案件、计费、权限等以目录与权限表示，打通分散系统数据，AI代理即可凭共享命名空间获取上下文并做决策，文件系统将成代理的事实源。

Agent工程师用GPT-4到多种coding agent一年多将生产开发交给AI，发现瓶颈是上下文丢失而非模型能力，于是用HANDOFF结构化交接替代压缩、用Sub-Agent分工与文件传递扩容上下文、用git worktree隔离并发，并给agent全局多仓视图与测试日志CLI自验证能力，协作方式转为Issue驱动开发与PR审查，最终沉淀并开源Code Relay协议复用该工作流。

越来越多智能体需要能运行代码、装包、读写文件且与主机隔离的沙箱工作区，文中给出两种集成模式：智能体在沙箱内通过网络交互，环境耦合强但更新需重建且API密钥更易暴露；智能体在外部把沙箱当远程执行工具，迭代快、密钥留在外部但会引入网络延迟，deepagents可通过简单配置同时支持两者。

作者将Obsidian接入Claude（Claudian+终端），用CLAUDE.md固化身份与协作规则，并以16个Skill把采集、写稿、配图、跨平台发布模块化自动化，使播客素材到带图成文发布压缩至约30分钟，结论是“超级大脑”在于把个人工作方式文字化并让AI按此执行。

研究员提出“代理团队”让多实例Claude在无人工干预下并行写代码，借助循环脚手架、任务锁与高质量测试，两周约2000次会话耗2万美元生成10万行Rust C编译器，可编译Linux 6.9并覆盖x86/ARM/RISC-V，验证复杂项目可自主完成但在冲突、性能与可靠性上接近模型极限且存在安全风险。