一、AI 工程化的三个时代 2022 到 2026，AI 工程化走了三个阶段，每个阶段回答的问题不同： 阶段 时间 要解决的问题 思路 代表产品 Prompt Engineering 22-23 模型

Phase 7.2 RAG SafetyGuard：把用户上传资料当成低信任证据 1. 为什么要做这件事 PrepMind 支持用户上传 TXT、Markdown、DOCX、PDF 学习资料，然后通过

Phase 6.8：把 KnowledgeDedupAgent / KnowledgeOrganizerAgent 补成可用闭环 Phase 6.8 做的是一个很容易被低估的能力：资料管理建议。 在

2026年，程序员面临的转型之路 。编码方式已经改变 ChatGPT刚推出时，大家还在质疑"AI到底行不行"，现在不会质疑了。前端页面、后端接口、测试脚本、SQL、运维脚本、文档整理，AI又快又好。

LLM 的底层语言：从分词到向量化，搞懂 AI 是怎么"读"文字的 v029 搞懂了 Agent 的四块基石——LLM 是大脑，Tools 是手脚，Reasoning 是思考过程，Context 是记

你用过 ChatGPT 的联网搜索，用过 Claude 分析 Excel 表格，用过豆包查询实时天气。你可能会觉得：这些 AI 真厉害，什么都会。 但真相是—— 那个在显卡里疯狂跑的 LLM，本质上是

前言 很多人刚开始接触大模型时，关注点都在对话、生成、推理这些"上层能力"上。但真正想要理解大模型是怎么工作的，有两个概念绕不过去：Token（分词） 和 Embedding（嵌入向量）。它们是文本进

我们在落地 Agent 时面临的核心矛盾，是大模型的概率生成机制与工程系统所需的绝对确定性存在天然冲突。要获取大规模、可维护且值得信赖的代码，必须在系统外围构建 Harness。Harness 的本质

Tool 是 Agent 能从"聊天机器人"升级为"能干活的助理"的关键。没有 Tool，AI 只能空谈；有了 Tool，AI 能读文件、写代码、查数据库、发邮件——真正把手伸进现实世界。

最近我用一队 AI agent 去"审"了一个开源项目：OpenMontage——一个完全由指令（Markdown + YAML）驱动的 AI 视频生产系统。它的架构相当成熟，但在审查过程中，我亲手验

我见过太多人学 AI Agent，三个月后回到原点。 不是因为不够努力。他们很努力——GitHub 收藏夹里躺着十几个教程，掘金热榜上的文章一篇不落，LangChain 的 @tool 装饰器用得比谁

上一篇总纲里我讲了一个翻车现场：你用 LangChain 的 @tool 写了个天气 Agent，同一个工具、同一条消息、同一个模型，Agent 有时候调用工具有时候装死。 你当时可能觉得"好吧，fi

人人都在写 AI-Native 组织宣言，我用一年实践给出实战报告：spec-driven 全链路、Agent 消 TOIL、AI 辅助管理，以及一个关键区分——AI 主驾封闭问题，人主驾开放问题。

合同流程：上传 PDF/DOCX → 解析并抽取甲乙方、金额、日期 → AI 扫风险、按高/中/低分级 → 法务确认关键条款（高风险逐条审，中风险可批量）→ 生成审核报告。

本文对比 GSD、planning-with-files、OpenSpec、mattpocock/skills 与 Superpowers，拆解它们在上下文管理、规格驱动、工程流程、协作验证上的差异

如果 AI 能像人一样，随着时间，经验，反馈不断学习，会发生什么？ 我们现在常用的 Agent，不管是豆包，还是编程用的 Cursor，本质是还是一次性对话工程，你问一句，它答一句，或者执行完一堆任务

Hermes 看你平时怎么用、慢慢学；OpenClaw 常得靠插件/MCP 把上下文送进去；OpenHuman 则是 OAuth 连账号，本地压 Markdown，还能同步进 Obsidian

这是《从零写一个通用 Agent 内核》的第 0 步。在敲下任何一行「工具分发」代码之前，我先没写代码，纯靠对话把 tool calling 跑了一遍。从一段「不太对劲」的对话开始。

一个架构实践里，最怕的不是“还没做完”，而是“系统边界已经糊了”。只要边界清楚，下一步该补什么、该在哪层补，都是清晰的。