AI即世界
AI 时代一线工程师的实践与思考。
最新文章
-
多 Agent 系统的协作模式：从单兵到军团
单 Agent 的能力上限是上下文窗口，多 Agent 的能力上限是协作设计。本文拆解 Orchestrator、流水线、辩论、群体投票四种主流协作模式的适用边界，以及多 Agent 系统最大的暗坑：上下文割裂。
-
指令预算：模型只能有效遵循几百条指令
给我们的系统提示词做了一次「考古」，挖出三个模型版本之前的老拐杖若干。删掉四成规则之后效果反而变好——这件事背后有一个值得认真对待的约束：模型的服从容量是有限的。
-
AGENTS.md 设计原则：好的入口文件等于免费换模型
把我们仓库里那份自动生成的 CLAUDE.md 推倒重写之后，同样的模型、同样的任务，返工次数肉眼可见地降了。这篇记录重写过程中形成的判断，以及为什么我现在认为入口文件写得差比没有更糟。
-
AI 时代的深度工作：注意力是最后的稀缺资源
当 AI 把执行成本压到接近于零，产出的瓶颈从「做得多快」变成「想得多清」。这篇文章讨论一个反直觉的结论：AI 越强，深度工作越值钱。
-
AI Coding 落地存量大项目：规范先于工具
AI Coding 落地大型存量项目，遇到的最大问题不是模型能力，是规范缺失被 AI 放大了。聊一下我们团队在一个 Java 老项目上的踩坑经历，以及「人人对齐 → 人机对齐」这个顺序为什么重要。
-
MySQL 向量检索实践：当数据库遇上 Embedding
MySQL 9 引入 VECTOR 类型后，「要不要为 RAG 单独养一个向量数据库」有了新答案。本文实测 MySQL 向量能力的边界，并给出一套务实的选型决策框架。
-
Go pprof 性能剖析实战：从火焰图到根因
CPU 打满、内存暴涨、goroutine 泄漏——三类最常见的 Go 线上问题，用 pprof 一套方法论打穿：怎么采、怎么看、怎么定位到代码行。
-
异步 Agent：把任务扔进后台之后
背景 Agent 今年开始真正可用。但「把任务扔进后台」这件事，工程上的问题远比看起来多：任务怎么描述、进度怎么跟踪、失败了怎么办、多人协作怎么共享上下文。记录一些实际经历。
-
MCP 协议深入：AI 应用的 USB-C 接口
MCP 把「模型如何接入外部世界」从 N×M 的集成噩梦变成 N+M 的标准化问题。本文从协议设计、消息模型到生产实践，完整拆解 MCP 的工程价值与落地陷阱。
-
Hermes 多 Agent 工作流：从看到到跑起来
Hermes（爱马仕）今年在 Agent 圈很热，各种 demo 看着挺酷。花了一个周末把它跑起来，记录一下真实落地和网上教程的差距，以及几个文档里没写清楚的地方。