标签
David Ondrej 的一条推文，推荐了一个他认为每个 Agentic 工程师都应该使用的仓库。
Wes McKinney 解释了他在 Kenn Software 的三人团队如何利用 Superpowers 和 roborev 等工具，通过智能体工程每周合并数百个 PR，并强调人类在规划和设计中的参与。
Addy Osmani 强调了工程师在采用AI方面的两个差距：前沿用户运行着许多智能体，而有些公司很少使用AI工具，他建议后者从一个可信赖的循环开始。
Ray Fernando 主持了一场关于智能体工程的直播大师课，涵盖图、可验证运行时和零垃圾方法。
本文介绍了一项对AI代理编写的大型代码库进行重构的实验，证明重构能减少未来AI驱动更改的令牌消耗。作者详细阐述了方法论和结果，显示重构后输入令牌数量有所减少。
Stack Overflow 探讨了开发者为何对 Vim 和 Emacs 等工具产生深度信任，以及这种信任如何被日益兴起的智能体 AI 编程工具所挑战，并引用调查数据显示 AI 使用率上升但信任度下降。
一位开发者分享了如何在智能体技能中明确添加反触发器，以防止重叠技能之间的冲突，确保行为的一致性。
详细演示了如何使用 Google 的 Agents CLI 评估技能来检测和修复 RAG 代理中的“vibe coding”漏洞，并通过一个真实示例说明 Claude Code 如何帮助创建自定义评分标准，并将测试分数从 19/33 提高到 30/33。
分享Google Cloud多租户智能体AI系统参考架构的5个核心要点，对独立开发者和小团队生产化Agent有启发。
该推文讨论了智能体工程背景下的杰文斯悖论，认为AI智能体效率的提升将增加而非减少对知识工作的需求。
Cognition 发布了 SWE-1.7，一个功能强大的 AI 模型，专为智能体软件工程设计，以更低的成本实现了前沿级别的性能。该模型在强化学习训练、多集群基础设施、数据整理以及针对长任务的自我压缩方面进行了改进。
Addy Osmani 讨论了在代理工程中“掌控外循环”的概念，强调了人工智能代理系统中的人类问责制、质量检查、裁决和可答复性。
Google发布了一门免费的1小时智能体工程课程，涵盖构建AI智能体、实现记忆、智能体循环、MCP与API对比以及多智能体系统。
探讨在GPT 5.6和Fable等先进AI模型时代中100x代理工程师的概念，讨论瓶颈如何从代理转移回人类，以及如何成为一名卓越的代理工程师。
A detailed walkthrough of setting up a reproducible declarative development environment for agentic engineering on macOS using Nix, Homebrew, Home Manager, WezTerm, and Starship.
本文讨论了循环在智能体工程中的关键作用，解释了通过向问题投入更多令牌如何提高解决方案质量，同时指出了简单循环实现中的陷阱，如错误累积和缺乏有意义的迭代。
红杉 AI 大会上，Karpathy 用近 30 分钟深入分享了编程范式的剧变，包括软件 1.0/2.0/3.0 框架、vibe coding、参差智能等概念，并给创始人提供了实操建议。
谷歌推出了Agents CLI，这是一个统一的命令行工具，集成了在Google Cloud上对代理进行搭建、评估和部署的功能，使编码助手能够在不切换上下文的情况下实践Agentic Engineering。
Google的Agents CLI提供了一个统一的工具，用于搭建、评估和部署AI代理，解决了代理工程中工作流程碎片化的问题。文章演示了如何使用该CLI构建RAG代理，展示了其与编码代理和ADK模式的集成。