标签
本文回顾了 Manus AI 团队一年前关于上下文工程实践的博客文章，总结了构建 AI Agent 时的六项关键经验，包括上下文管理、记忆恢复和错误处理等。
Tobi Lütke 讨论了他通过快速架构决策简化 Shopify 内部工具的方法，强调创始人主导的干预以避免复杂性和技术债务。
本文强调了在工程团队中对AI生成代码建立信任的必要性，并概述了诸如问责制、编码指南和确定性工具等实践，以维护代码质量。
Anthropic 发布了一个40分钟的关于循环工程的综合指南，涵盖了从构建基本循环到AI代理中高级目标设定的主题，旨在改变开发者构建循环的方式。
Dropbox 探讨了为应对不断增长的 AI 需求而提高基础设施效率的策略，重点关注系统级优化，而不仅仅是增加更多硬件。
本文描述了一套适用于如 Claude Code 和 Codex 等编码代理的真实工程代理技能，旨在解决人工智能辅助开发中的常见问题。
Addy Osmani 讨论了面向AI代理的实用循环工程，涵盖目标、自主反馈循环，以及使用Claude Code和Codex等工具来管理并行代理任务。
Kent C. Dodds 强调了 Sunil Pai 对产品工程重要性的解释，而 Pai 宣布他新的职位为 Cloudflare 的驻场构建者，专注于识别新兴趋势。
Simon Willison 引用了 Sophie Alpert 的文章，文章认为自然语言文本不存在无损转换；AI 辅助改写可能会丢失作者的本意，因此工程师必须对自己发布的每一句话负责。
Vercel工程师总结出的AGENTS.md，能帮你在项目开发中省下80%的token，核心是通过工程化的决策和方案设计，降低AI的无效迭代和token消耗。
Honeycomb工程团队借助Claude Code等AI工具，将每日合并峰值从约30个提升至约74个，AI生成的代码占比到2026年6月升至82.6%，同时按比例管理事故。他们分享了与AI协同放大的实践，如持续交付、快速CI和可观测性。
Gergely Orosz 发推文推荐了一期与 Dex Horthy 关于 LLM 上下文工程的播客，其中涵盖了几个教训，例如交付未经审核的代码的危险，以及如何识别 LLM 会话已被“轨迹污染”。
Replit AI 负责人分享生产级 Agent 持续学习系统的工程实践，将改进拆分为 Model、Harness、Context 三层，并构建离线验证与在线 A/B 测试的闭环，使 Agent 能在不更新模型的情况下持续优化。
作者将早期的微服务热潮与当前的多智能体系统热潮进行了类比，认为工程实践——而非更好的模型——可能是实现可靠多智能体系统的关键。
本文整理了Codex必装的10个高价值Skills，涵盖规划、代码质量、前端实现、自动化测试、CI/CD、安全及外部工具接入，并提供了安装方法和推荐组合，帮助用户提升开发效率。
Google 首席工程师 Addy Osmani 开源了 agent-skills，包含 24 个 AI 编程技能，将工程纪律打包给 AI agent 使用，以提升代码质量和开发效率。
对AI代理循环工程的解释，强调制造者代理与检查者代理的分离、磁盘上的状态持久化以及避免成本失控的退出条件。
一个GitHub仓库，为AI编码智能体打包生产级工程技能，将高级工程师工作流程和质量门控编码为斜杠命令（如/spec、/plan、/build等），并包含Claude Code、Cursor及其他工具的设置说明。
awesome-harness-engineering 是一个收录了来自 OpenAI、Anthropic、微软、Meta 等公司关于 AI agent harness 工程（上下文管理、工具设计、验证回路、记忆系统等）实践资料的精选资源列表，旨在帮助开发者构建可靠的 agent 框架。