通俗来讲，Harness 是将工程学的思维，整理成范式束缚在Agent上，让Agent能够更规范、更稳定的工作。 立项决策 → 需求规划 → 评审规范 → 实施验证 →复盘改进

Agent 系列第一篇。厘清 LLM、Chatbot、Agent 三者的本质区别，理解 Agent 的四要素，以及流程驱动 vs AI Native 两种范型

本篇介绍了如何用 LangGraph 构建多 Agent 协作系统。通过 Dispatcher 进行意图分类和动态路由，将任务分发给多个专业 Agent，支持串行和并行，解决了单Agent职责混乱问题

AI Agent 从 Demo 到生产，中间隔着什么？ 代码评审跟不上迭代速度、Agent 行为不可观测、多 Agent 协同缺少安全边界、RAG 上下文碎片化——这些问题正在成为企业 AI Agen

本文拆解Agent技能运行逻辑，技能效果由技能本身、模型理解、框架支撑三者共同决定。介绍Skill文件结构与规范，讲解框架加载、召回、执行三大运行流程，阐明技能系统实现知识与执行分层

本文系统梳理大模型评测体系：评测是模型选型与上线的决策基石；介绍了人工、数据集、自动化三种方法及MMLU等代表数据集；工具层面，数据集测试可用EvalScope，大模型评测需要自定义提示词编写运行脚本

Anthropic 内部威胁检测平台 CLUE 首次公开工程细节：30 天 12000 次 query、误报率从 33% 降到 7%、省 1870 人工小时。

我们围绕笔记、知识库、项目管理等场景统一了一套可组合的AI Agent能力。将工具调用、Agent 回合循环、事件流与UI交互组合在一起，为后续历史与检查点能力预留 threadId/runld。

这两天我用  WorkBuddy + Obsidian  接把原本两天的工作压缩到了一小时，同时还搭建起了一套知识库辅助我长期提效办公。今天就把这套方法分享给大家~

本文深入解析 Vercel AI SDK 的统一接口规范，手把手教你如何不依赖网络和 API Key，在本地纯手工打造一个轻量级 Mock 模型。文章不仅包含单次生成与流式响应的完整实现，更深度剖析了

很多人在做 Agent 时会默认认为：Skill 越多，Agent 能力越强。于是把工具说明、操作流程、检查清单、模板规则全部塞进系统 Prompt。结果往往不是 Agent 更聪明，而是工具选择更飘

Pi是开源coding agent harness项目，本文从源码出发，逐层拆解其四层架构，带你理解极简主义 agent 的设计哲学与实现细节。

Agent 靠工具做事。本文拆解 Hermes 的 70+ 工具如何自动注册、自动发现，以及如何写一个自己的工具。

如何从0到1开发一个AI Agent 引言 在日常生活中、工作中，从openClaw到各种Code Agent，我们接触了各种各样的AI Agent，这也是AI大模型在日常应用中最主要的应用形式。 早

从工程视角梳理 Agent、RAG、Tool、Skill、MCP 的分工边界，并结合 AI Mind 项目实践说明这些概念在 AI 应用中的真实落地方式。

Agent 跑起来之后，难的是复用、观测和评测，要 Spec 把任务拆清楚，需要 ReAct 让模型进入执行现场，需要 Ralph 在外面套一层 loop

做 Agent 开发的人经常会遇到一类"灵异事件"——明明 prompt 写得没问题，模型却反复犯同一个错；明明上下文没超，模型却"忘了"前面的信息；调了半年参数，效果还不如别人随手写的。这些问题的根

Antigravity 还没有被谷歌放弃，我很开心！ 但是安装了全系列 3/4 的软件之后，我又要骂娘了。后面好不好我们先不管，先骂了再说。 安装 3 个软件，出现了 3+ 的错误！ Antigrav

Agent，把天才 AI 变成一个能干活的人 ！ 如果说 LLM 大模型是一个天才引擎，那么 Agent 就是很多无形的手，去控制这个天才引擎完成各种各样的工作和流程。