标签
在 AI Engineer 演讲中，Cognition 联合创始人 Walden Yan 不建议使用多智能体系统，称它们很脆弱，而 Devin 背后的团队现在使用的是具有连贯上下文的单一智能体。
一位工程师讨论了基于邮箱的智能体消息传递的局限性，并提出在代码图之上进行结构化寻址，以计算消息路由的爆炸半径，认为这是扩展到三个以上智能体的关键。
本文讨论AI编程Agent的Skills生态爆发,介绍多个高star的Agent Skills仓库(如superpowers、agent-skills等),它们为AI编程代理提供工程规范,旨在缩小Vibe Coding与生产级代码之间的质量差距。
文章认为，最大的AI转变不是更大的模型，而是围绕它们的更好系统，例如上下文、模型路由、缓存、代理工作流和评估，使模型成为引擎，系统成为产品。
Ray Fernando 推荐将 Kimi K3 和 GLM 5.2 作为用于 Agentic 运行时的开放模型，并推广一个关于图、可验证运行时和 zero slop 的 Agentic 工程大师课。
Anthropic 发布了一个关于循环工程的 1 小时工作坊，讲解如何从单个规范构建智能体循环，直到拥有 200 个功能，并附有完整的操作手册。
Amit Shekhar 发布了一个全面的开源 AI 工程面试题与答案仓库，涵盖 LLM 基础、提示工程、RAG、AI 智能体、微调、向量数据库、LLMOps 等内容。
对新兴的基于 Markdown 的文件格式（AGENTS.md、SKILL.md、规格/计划/任务文件、记忆文件）的探索，这些格式构成一个“元代码层”，使编码代理能够直接从代码仓库中发现并应用项目知识，从而改变了意图转化为实现的方式。
本文深入探讨了 AI 领域 FDE（Forward Deployed Engineer）岗位的入行路径、能力要求、面试准备，并给出实战建议和自我探索案例，强调真实交付与业务理解力是核心竞争力。
这篇文章解释了提示工程、上下文工程、封装工程、循环工程和图工程之间的分层关系，强调每一层都是在前一层基础上构建的，而不是取代前一层，并说明了如何定位需要调试的层级。
一条推文，为有志成为世界级人工智能工程师的人推荐12个YouTube视频，助你在2026年达成目标。
关于一个多阶段LLM管道的介绍，它获取通讯文章、生成摘要、去重、评分重要性和紧迫性，并发布摘要，同时具有强大的提示注入防御和自我验证。
作者描述了构建企业知识图谱智能RAG系统的历程，结合了语义检索、BM25词汇搜索和知识图谱遍历，强调生产级AI需要多种检索策略。
来自scotups的一个热门观点认为，模型不再是区分因素；相反，构建最佳框架（例如OpenCode、OpenClaw、Hermes、Pi）才是关键，这源自一门关于框架工程与智能体编排的课程。
宣布一本新书《RAG from First Principles》，作者黄佳。这是一本以代码为先的指南，介绍如何使用Python、LangChain和LlamaIndex构建检索增强生成系统。
本文讨论了RAG系统的五种分块策略，强调了检索精度与推理上下文之间的权衡，并指出适当的分块对于有效检索至关重要。
作者反思了构建一个开源 n8n 工作流仓库的经历，该仓库已演变成一项社区驱动的努力，旨在记录 AI 工作流背后的工程原理，包括各种权衡和设计决策。
由@mvanhorn开发的新开源Agent Skill，可以标记GitHub diff中非预期的更改，运行在本地。面向开发者。
DataScienceDojo宣布其下一期LLM训练营（2026年8月24-28日），内容涵盖Transformer、注意力机制、向量数据库、微调、RAG和智能体构建。已有超过12,000名校友完成了该课程。
一条推文分享了一位高收入AI工程师的《图工程课程》，该课程在GitHub上有4400颗星，承诺通过简单的三步流程让你在自己的项目中掌握图工程。