一篇第一人称自述：从小学 QBasic 竞赛、GPT-3.5 带来的觉醒、自学 Python 和误打误撞搓出 Agent，到前司、Cursor、OPC Feed，以及 2026 年这个凌晨跑通桌面语音

看到掘金「TRAE Work 实战帮」征文启动的时候，我第一反应是：这不就是现成的最佳测试场景吗？ 我决定做一件有点"套娃"的事——用 TRAE Work 来写这篇关于 TRAE Work 的征文。从

说真的，做AI训练营最头疼的事之一，就是改简历。 我们每期训练营都有二三十个学员，每个人的简历都要改。不是改一遍就行，要改好几轮：先改整体结构，再改项目描述，再改技术栈，再改措辞…… 以前我都是自己改

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。

Matto 在 20260806 正式发布了v1.2，把这些变化放在一起看，是控制的位置变了。v1.2 继续往每一步skill里细分：流程推进时机，信息重要程度分类，规则进入上下文时机

拆解Workflow与Agent的本质差异。Workflow是确定性流水线，Agent是自主探索的思考者。从LangChain管道到ReAct框架，厘清两种范式各自的边界与交汇点。

一、一个词，改变编程的定义 2025 年 2 月 2 日，OpenAI 联合创始人、前 Tesla AI 负责人 Andrej Karpathy 在 X（Twitter）上写道： 他描述了自己的工作流

Workflow是预设好的高速公路每步固定，Agent是自主决策的司机动态改道。本文用简历筛选和旅行规划讲透本质区别，再给出两者结合的双层架构。

手写内联工具的两个致命缺陷—项目锁定和语言锁定，MCP 协议如何通过 stdio/HTTP 跨进程通信彻底解决，包含 MCP Server 注册工具与资源、MCP Client 获取与调用的完整实战。

7月22日凌晨两点刷到OpenAI那篇博客的时候，我愣了大概有二分钟。 不是震惊，是那种"完蛋了，我项目里也有类似问题"的后背发凉。 OpenAI承认他们的GPT-5.6 Sol和一款更强的未发布模型

问题：Agent 的"知识盲区" 每个 AI 编码 Agent 都会遇到同样的问题：模型很聪明，但对你的项目一无所知。 前几轮对话全花在"了解项目"上。更麻烦的是，有些知识文件里根本没有——比如团队的

一、AI Agent 需要一个"USB 协议" 2024 年以来，AI Agent 的形态逐渐清晰：一个 LLM 大脑，通过调用工具与外部世界交互。 但有一个尴尬的问题：每个框架、每个平台、每个 Ag

先找到你的「忍无可忍」 在动笔之前，先问自己一个问题： 如果有，那就是一个 Skill 的种子。 它可能是： 每周合并报表 PDF，每次都要告诉 AI 用哪个库、怎么处理页码 每次写完代码让 AI r

一、先看效果 同样一个任务"创建 React 项目"，没做可视化之前： 做了可视化之后： 同样的功能，后者让你看清楚 Agent 的每一步决策。 这篇文章讲的就是怎么做到这一点。 二、Chalk 是什

一个你肯定经历过的场景 你打开 Claude Code，想做一件已经做过很多次的事——比如，把两个 PDF 合并成一个： 你很熟练，一气呵成。但你有没有发现一个问题：这件事你每次都要重新说一遍。就像每

一、4 个工具的极限 上篇文章里，我搭好了一个能自主编程的 AI Agent。它有一个 ReAct 循环的大脑，还有 4 个工具作为四肢： 一开始觉得很够用。创建项目？exec_command 跑 p

模型输出本身就是随机的，同一个需求跑两遍，spec 和代码的细节难免有出入；但如果流程能稳住（先澄清、再写 spec、再拆任务、再实现，顺序和交接点每次都对得上），产出的随机就不会失控——每一步...

为什么开始学 Agent？ 我每天用 Claude Code 写代码，它帮我读文件、写代码、跑命令——一个对话窗口完成整套开发流程。这让我很好奇：它背后的原理到底是什么？ 拆开来看其实不复杂：Clau

这篇深入第一个真正"干活"的角色——**Analyst**，看它怎么把一份需求文档，变成一份结构化、可追溯、可确认的测试用例套件。