上期回顾：拆解海博 AI-Native 落地保障：Harness、双 Loop、知识库与技能自主迭代实践 一、背景：一个天才实习生，却无法快速理解业务全貌 当我们把大模型接入日常研发流程后，很快发现

RAG 不是让模型"学"新知识，而是让模型"查"新知识。 它把"记忆"和"推理"拆开——知识存在向量数据库里，推理交给大模型。模型不再需要记住一切，只需要学会"先查后答"。 ## 为什么 Ag

写在前面：AI 进入生产，不等于 AI 接管生产 当前大模型已经能够理解需求、生成代码和解释错误，但数据生产的难点并不只是“写出一段 SQL”。一个需求还要经过数据源确认、口径澄清、加工编排、资源规划

Pi Agent 与 OMP 的极简入门指南，覆盖安装配置、基础交互、常用命令、Skill 扩展与长任务上下文管理。

深度拆解 Claude Code 的 CLAUDE.md 机制，从四层加载体系、指令预算、rules 目录到 Anthropic 官方写法，手把手教你写出高质量 CLAUDE.md。

第一篇我们搞清楚了 Agent 是什么（大模型 + 工具调用能力），第二篇我们手写了那个"模型决策 + 代码执行"的循环。这一篇我们要把那个循环交给框架——看看 LangGraph 是怎么封装它的。

核心结论：bindTools 只是把工具"注册"给模型，真正执行工具的循环要自己写。 我们要做什么 让 AI 做一件它本身做不到的事——读本地文件。整个流程设计起来很简单： 用户提问："请读取 too

AI Agent 现在可以直接操控电脑，也能完成不少测试相关的任务。但长期回归测试，依靠 Agent完成肯定不靠谱，更实际的做法是通过 MCP调用自动化测试工具，既省token又能稳定回归。

最近我的博客配图方式又换了：从 AI 生图，换成了 AI 生成 SVG。原因很朴素：生一张图太贵了，而 SVG 是代码、是文字，很便宜。用着用着发现，便宜只是它最不起眼的一个好处。

最简单的实现甚至只需要几十行代码： 整体流程看起来也非常简单： 对于一个只修改十几行代码的小 PR，这种方式可能已经够用了。 但当 Code Review 真正进入大型项目、多人协作和 CI/CD 流

因此，复现 WorkBuddy 的核心体验并不困难。 真正不容易复制的，是腾讯账户体系、微信与企业微信入口、腾讯文档、云端基础设施、安全合规、企业权限、海量任务执行能力，以及大量产品细节形成的整体体

深度拆解 Codex 的 AGENTS.md 机制，从加载优先级、override 覆盖、官方示例到面试回答，手把手教你写出高质量 AGENTS.md。

2026 年 3 月 31 日下午，一条推特引爆了整个技术圈——@Fried_rice 曝光了 Claude Code 的完整源码泄露事件。消息一出，开发者社区瞬间沸腾。 说实话，作为一个长期关注 A

Codex 多账号反复登录太折腾？本文介绍一款纯本地管理工具，详解账号切换、OAuth 配对、一次性 Auth 迁移，以及凭据校验与原子替换的安全设计。

前三篇我们解决了 Agent 的三个核心问题：第一篇搞清楚了 Agent 是什么（大模型 + 工具调用能力），第二篇手写了"模型决策 + 代码执行"的循环，第三篇把循环交给了 LangGraph 框架

博主天天喊 OPC，但多数人连 Claude Code 五大能力都没分清——它们是 5 个正交问题的答案，不是梯度。先把基础用对，再谈 OPC。

写在前面：风向变了 先上几个关键数据建立体感： 7月11日，obra/superpowers、mattpocock/skills、addyosmani/agent-skills 三个 Skills 仓

人在外面随时接管家里或公司的 Mac？三步方案讲透防休眠断言机制，caffeinate、Amphetamine 加远控，让 Mac 7×24 待命秒连。

你肯定遇到以下场景： 人不在电脑前，却想让 AI 帮你继续写代码、查资料、跑任务； 想在微信、飞书、钉钉 里直接和本地 Agent 对话； 希望一个项目里同时调度多个 Agent，甚至让它们协作讨论