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。
Multi-agent coordination patterns: Five approaches and when to use them
多智能体系统有五种协作模式：生成-验证模式适用于质量关键型任务；协调-子代理模式适合明确分解的任务；代理团队模式处理独立长时任务；消息总线模式用于事件驱动场景；共享状态模式支持协作研究。选择模式需考虑任务结构、信息流和容错需求，建议从协调-子代理模式入手，按需演进。
Managing context in long-run agentic applications
在复杂的多代理系统中，保持代理间的协作和一致性是关键挑战。本文探讨了如何通过设计三种互补的上下文通道（Director的Journal、Critic的Review和Timeline）来管理长期运行的调查。Journal记录决策与观察，Review评估专家发现的可靠性，Timeline构建可信的事件序列，共同确保调查的连贯性和准确性。
Reducing Agentforce AI Debugging from Two Weeks to Same-Day with Query-Driven Observability
爱因斯坦笔记本平台通过Spark工作流，将AI调试时间从两周缩短至一天，支持超4亿条记录和800GB数据的实时查询。团队开发了统一工作流，实现生产数据的直接访问，解决了传统日志和指标的局限性。通过多租户隔离和高性能架构，确保安全的查询驱动调试，提升AI代理行为透明度和调试效率。
浏览器自动化：从GUI到OpenCLI
放弃前端UI自动化，解析底层API请求提升浏览器自动化效率。OpenCLI通过抓取网页背后的API，复现请求，避免点击按钮的不稳定性。支持多级认证策略，适配器生成与CLI集成，简化操作流程。未来软件竞争将转向API的可调用性，便于Agent理解与接入工作流。
立正请站好：一个组件复用 Skill 的工程化实践
开发组件复用Skill，旨在解决功能开发中组件重复创建问题。通过AGENTS.md、Hook和Skill三层结构，确保AI在编码前优先复用现有组件。核心设计包括统一入口、多因素加权匹配和可复用流水线索引构建，提升AI执行稳定性。实践表明，AI在清晰流程中表现更佳，减少即兴发挥，增强工程纪律。
用RAG的思路做agent知识管理，为什么跑不通
RAG系统在Agent知识管理中面临相似度高不等于正确的问题，跨页面答案和chunk拼合时表现不佳。VKFS通过在向量数据库上构建知识交互层，采用文件系统逻辑让Agent更自然地探索知识。VKFS支持目录浏览、文件读取和精准搜索，优化了知识获取流程，提升了Agent的灵活性和效率。
「快手 x 华为」实战干货：AI Coding 在鸿蒙研发中的落地实践
鸿蒙生态加速下，客户端研发面临三端并行挑战，"一码多端"需平衡差异与共享。"鸿图AI"项目将AI融入研发全链路，覆盖代码定位、需求理解与ArkTS生码，通过工程化约束解决代码偏移、理解失真等痛点。关键在让模型接触原始证据，强化验证闭环，推动AI从工具升级为研发体系的核心组件。
深度解析 OpenClaw 在 Prompt / Context / Harness 三个维度中的设计哲学与实践
OpenClaw作为AI Agent领域的标杆，其设计精髓在于三大维度：Prompt Engineering通过动态组装和Markdown驱动实现高效指令；Context Engineering借助Skills机制、压缩算法和双层记忆管理优化上下文；Harness Engineering则通过钩子、沙箱和约束机制确保可控性。这套架构为构建稳定、高效的Agent系统提供了可复用的方法论，值得深入学习和借鉴。
What's an Agent Harness? And how do I choose the best one?
AI代理的核心在于"模型+约束框架"：模型提供智能，约束框架则赋予其状态管理、工具执行和长期记忆等能力。约束框架包含系统提示、工具集、沙箱环境、记忆管理等组件，决定了代理的实际表现。优秀的约束框架能让同一模型在基准测试中从30名开外跃居前5。设计约束框架需考虑执行环境、工具集、状态存储、长时任务处理等关键因素，这是将模型智能转化为可靠行动的关键所在。
You Don't Know LLM Training: Principles, Pipelines, and New Practices
2026年，大模型的能力差距不再仅依赖预训练，而是更多地体现在后训练阶段。预训练奠定基础，后训练通过指令微调、奖励设计、评估优化等环节，显著提升用户体验。数据配方、系统约束和训练管道设计是关键，模型的能力增强源于整个训练栈的协同优化，而非单一因素。
Better Harness: A Recipe for Harness Hill-Climbing with Evals
构建智能体的关键在于优化控制框架（harness），而评估数据（evals）是核心驱动力。通过人工标注、生产日志挖掘和外部数据集构建高质量评估集，并分类标记以针对性优化。系统采用"优化集+保留集"双轨验证，结合自动化调整与人工审核，避免过拟合。实验显示，该方法能显著提升智能体工具调用和多步推理能力，同时通过版本追踪防止性能回退。未来将探索自动化错误检测与修复，形成"使用-反馈-优化"的增强闭环。
自掏腰包一万元，拥抱AI这一年，我的工具、实践和思考
AI时代，如何高效拥抱技术变革？从工具链迭代到Agent实践，分享实用方法论：MAC工具链优化、低垂果实采摘、Prompt到Harness的工程演进。更提出让AI代学代用，构建知识管理闭环。技术浪潮中，与其追逐每个风口，不如专注可沉淀的实践。与AI做朋友，在动态平衡中找到自己的节奏。
【同事.skill】突然爆火之后，技术团队如何补上这门能力课
AI时代的知识沉淀新玩法！"同事.skill"项目爆火，10k+星标见证工作痕迹变AI技能包。离职不慌，你的代码风格、文档习惯都能被蒸馏成可调用Skill，实现"赛博永生"。前端团队已开搞：工程模板、接口规范、组件库一键生成，让经验从文档升级为团队基础设施。知识不再沉睡，直接进入工作流开挂！这波操作，把团队协作玩出了新高度~
零侵入、低成本！轻松为老系统注入 AI 灵魂
腾讯内部推出"Tenon Agent"解决方案，助力老旧业务系统快速接入AI能力。该方案通过三层架构实现：前端兼容各种老旧框架的JS包、后端标准化的Langgraph Agent框架、以及可复用Skills Hub生态。典型应用场景包括跨系统故障排查（效率提升15倍）、多语言配置自动化（操作步骤减少80%）等。方案采用榫卯理念，既解决历史系统改造难题，又为未来AGI生态预留接口，目前已落地10余个项目。
最近火爆的 Harness Engineering 到底是啥？
AI Agent在复杂任务中常遇稳定性问题，Harness Engineering应运而生，旨在确保模型稳定执行任务。其六层架构从上下文约束到错误恢复，全方位保障Agent稳定运行。AntV Skills项目实践展示Harness Engineering如何提升LLM生成图表代码的稳定性，显著提高成功率。Harness Engineering是AI从原型到产品升级的核心，决定AI能否在真实场景中稳定商用。