AI工程：AI Agent
AI Agent 是通过工程化的手段，为大语言模型提供了获取外部工具、知识的能力。他是介于人类、大语言模型之间的代理。当用户向 AI Agent 输入问题时，AI Agent 可以使用大语言模型作为推理引擎，将一个复杂的任务进行分解、给出任务执行规划。之后 Agent 会调用外部工具获取结果，并将大语言的上次推理和工具调用结果返回给大语言模型，让大语言模型继续思考、规划。如此循环，直到将一个复杂的任务完成。
How Informatica Built a Multi-Agent AI System to Reduce Data Workflows from Months to Days
CLAIRE作为一个多代理AI系统，嵌入智能数据管理云（IDMC），旨在简化企业数据工作流程。传统流程涉及发现、治理、数据质量和管道编排等多个独立系统，耗时长达三个月。CLAIRE通过统一接口协调多代理执行，将复杂流程压缩至几天内完成。每个代理专注于特定任务，确保上下文准确性和工具选择的精确性。系统引入语义层和验证检查点，防止错误传播，确保执行可靠。CLAIRE的任务成功率达90%，显著提升企业数据管理效率。
UI 自动化演进：从 Selenium / Appium 到 Skill + Playwright 自然语言驱动
UI自动化从Selenium时代到AI驱动，解决了定位脆弱、环境成本高等痛点。Skill+Playwright组合，通过自然语言与工程约束，简化用例编写与维护，提升多端适配效率。AI视觉与语义理解将进一步解放人工，实现全场景覆盖，推动UI自动化迈向智能化、高效化新阶段。
依托 Doubao-Seed-2.0-lite 打造“AI 电竞教练”的架构设计与工程落地
AI电竞教练框架通过多模态大模型，精准分析玩家操作，提供专业指导。传统教练的细分行为维度被拆解为多个Agent，每个Agent专注一个细节，输出结构化JSON数据。高级教练汇总数据，生成战术复盘报告。框架具备可扩展性，未来可应用于更多电竞项目，助力玩家技术提升。
Agent 时代的生产力悖论：当协作本身成为最大的瓶颈
AI时代需要重构研发协作模式。传统分工导致信息断层和效率瓶颈，AI Agent受限于人为划分的技术栈与碎片化文档。解决方案是"All in Code"：统一前后端代码库、结构化文档、自动化测试，构建自学习的Agent协作网络。关键在于让AI参与全流程决策，通过沙箱环境实现安全自治。研发模式正从"人主导"转向"Agent军团协同"，释放AI的端到端生产力。
用Agent评测思路管理AI Coding —— 31万行代码AI重构的实践
当AI生成90%代码时，系统走向取决于约束而非编码速度。我们通过Agent评测思路管理AI Coding：先团队共识再固化AI规则，让重构融入日常迭代。AI让"看全代码"不再稀缺，经验价值转向"判断优先级"。技术债被拆解为需求顺带动作，31万行代码在业务中悄然焕新。工程师角色从写代码转向设计AI工程环境，规范与协作成关键。
十年老技术开发的 AI Agent 探索之路
AI工具虽多，但手动管理AI终端效率低，上限仅4-6个并发。通过Bash脚本自动化80%的AI需求，避免过度依赖AI。构建24h无人值守的Agent系统，核心是文件轮询调度和SDD流程，确保任务可执行、可复盘。AI自修bug的前提是清晰的设计文档和架构约束。Agent开发正从框架之争转向协议和runtime之争，未来更像搭操作系统。Goal-Driven让系统自主推进，增强而非取代人力。
告别“氛围编程”：基于 Harness 治理和 SDD 的团队级 AI 研发范式演进与实践
AI编程出码率高达90%却提效不明显？揭秘"氛围编程"三大坑：自由发挥、效率陷阱和记忆丢失。高德团队提出SDD规范驱动和Harness驾驭工程双解法，将AI从黑盒变成可控工具。通过结构化知识库、精准需求拆解和专家团协作，实现从PRD到部署的全链路自动化。开发者角色升级为规范审核者，让AI在明确轨道上狂奔。未来瞄准智能Spec生成和强化Agent协作，开启研发新范式。
Harness Engineering：耗时一周，我是如何将应用的AI Coding率提升至90%的
AI编码正经历第三次范式跃迁，从Prompt Engineering到Context Engineering，再到Harness Engineering。Harness Engineering通过设计约束机制、反馈回路和工作流控制，解决了AI代码在企业级项目中的认知负担和质量控制问题。通过构建Harness体系，AI代码率从25%提升至90%，实现了高质量的可控输出。Harness的本质是外部化的质量保障体系，确保AI错误可控、可发现、可修复。未来，Harness将朝着自我进化、跨项目模板化和更精细的Agent角色矩阵方向发展。
基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践
AI全栈开发核心在于"Harness思维"：让AI模仿现有代码实现而非从零创造，确保风格统一与高复用率。搭建多仓工作区结合Codebase Indexing，实现前后端代码的语义关联与接口对齐。通过SDD文档驱动开发流程，明确技术方案与任务拆分，借助多Agent并行生成前后端代码。采用三阶段验证策略（Mock测试、后端构建、联调）提升效率，同时警惕SDD未明示的隐性功能。该方法可显著提升代码采纳率，降低50%+开发耗时。
Flow generation through natural language: An agentic modeling approach
Shopify通过专有数据和快速迭代，优化AI助手Sidekick的工具调用能力。他们将Shopify Flow的JSON DSL转换为Python，提升了模型生成工作流的准确性。通过模拟生产环境和优化工具调用栈，降低了成本并提高了性能。利用生产反馈构建持续改进的飞轮机制，确保模型在真实场景中表现优异。最终，Sidekick在成本降低68%的同时，性能优于封闭模型。
跟Claude官方技能学Harness
Harness 是一套让 AI 标准化工作的作业规范，核心是拆解任务、最小化上下文、一步一验、持续复盘。Claude 官方的 Skill Creator 2.0 将创建 Skill 的过程封装成一个完整 Harness，强调测试、对照组和人类反馈。通过原子化步骤、自包含工作空间和渐进式披露，Harness 确保 AI 在复杂任务中产出稳定、可检查的结果，而非依赖运气。
深度解析：Codex Pet Skill
Skill概念火爆，但许多所谓的酷炫功能实则浅薄，仅停留在提示词玩具层面。真正的Skill应整合隐性经验、工具链等，形成Agent可调用的可执行协议。Codex的hatch-pet技能展示了高级Skill范式，通过模块化设计，让Agent动态决策、修复任务，而非依赖固定流程图。Skill的本质是将模型能力约束在工程边界内，确保稳定执行与验收。
使用 WebSocket 加速 Responses API 的智能体工作流
Codex通过优化API请求流程，显著提升了处理速度。采用WebSocket持久连接和缓存技术，减少了重复处理和历史数据加载的开销，使GPT-5.3-Codex-Spark的推理速度达到每秒1000个令牌，峰值可达4000。开发者无需调整现有API集成，即可享受更快的响应体验。
RAG已死？不，是Grep回归了！
RAG在代码搜索领域正被LLM驱动的Grep方案颠覆！Claude Code放弃向量索引，用多轮ripgrep暴力扫描实现零延迟检索，实测4,500文件仅需0.1秒。核心在于代码标识符天然适合精确匹配，且本地项目规模撑得住暴力搜索。虽然token消耗较高，但通过子Agent隔离、历史压缩等优化仍具实用性。这波技术迭代证明：特定场景下，简单直接的方案可能比复杂架构更高效。
通用 AI Agent 驱动网关路由安全审计实践
得物技术团队创新采用"通用Agent+业务Skill"架构，实现网关路由全量自动化漏洞检测。通过精细化越权分类、三维代码审计及危害评估机制，显著提升检测精度。独创MCP→CLI转换等优化策略，Token成本直降95%+，单次扫描成本仅0.23元。这套人机协同方案已成功捕获多个高危漏洞，为大规模API安全治理提供高效范式。
AI手工测试用例的实践进阶之路
传统手工测试用例面临信息碎片化、时间窗口压缩、个人经验依赖等问题。AI用例生成项目通过MVP验证方向，1.0阶段补齐输入解析、Prompt工程化等关键能力，最终沉淀为测试智能体平台。核心在于升级测试设计链路，实现多源输入协同、过程治理和资产闭环，提升覆盖质量与生成效率，推动测试工程体系智能化演进。