01
从混乱到有序：aiops如何重塑AI编程的工程纪律？
aiops 是我给 AI 编程补的一层工程规范。团队里不同人用不同 AI IDE 写代码，怎么让产出走同一条门禁链——对齐→设计→测试驱动→精简→评审→漂移检查→人确认提交，断点可续、状态可恢复、提交必须人确认。它不追求让 AI 多写代码，而是把工程纪律从"靠人提醒"变成"系统强制"。文章从 AI 编程加速后容易被跳过的交付步骤说起，解释 aiops 怎么把这条链路落到团队代码库里。
阅读文章
tag archive
标签：ai
content volume
11
篇可浏览文章
/
all entries/11 posts
- 02
Hermes Agent深度解析：构建能够持续学习和成长的AI系统
Hermes Agent 是 Nous Research 推出的一个可进化 Agent 系统，它通过 Memory、Session Search、Skills、Curator 等模块，实现了从“会回答”到“会做事”的转变。本文将深入解析 Hermes 的架构设计，探讨如何构建一个能够持续学习和成长的 AI 系统。
阅读文章 - 03
跨越“知道”与“做到”：Agent Skills如何重塑AI的执行能力？
当 AI 从聊天工具走向 Copilot 和 Agent，真正卡住交付质量的，往往不是模型本身，而是缺少一套能重复、能维护、也能沉淀经验的执行路径。本文从 Agent Skills 的定义、工作机制、与 MCP 的关系以及落地方式出发，解释为什么 Skill 正在变成 Agent 系统里的能力封装层。
阅读文章 - 04
Vibe Coding 不是偷懒：AI 编程正在改写工程控制权
这篇文章从 Karpathy 对 Vibe Coding 的原始定义出发，结合 Addy Osmani 对 AI-Assisted Engineering 的区分、Claude Code 的 agentic coding 形态，以及 Stanford AI Index 2026 的数据，讨论 AI 编程为什么把工程重点从亲手实现推向定义约束、验证结果和承担后果。
阅读文章 - 05
- 06
LLM Wiki：超越 RAG 的持久化知识积累范式
大多数人使用 LLM 与文档交互的方式是 RAG：每次查询时从头检索、拼凑答案，没有任何东西被真正"建立起来"。LLM Wiki 提出了一种完全不同的思路：让 LLM 持续维护一个结构化 wiki，把知识积累成可复合的持久工件，并利用 LLM 把维护成本压到接近零。
阅读文章 - 07
Agent Harness：AI Agent 可靠性的真正瓶颈在哪里？
构建 AI Agent 最难的部分不是选模型，而是包裹模型运行的那套基础设施：工具调用、上下文管理、错误恢复、状态持久化、权限控制。这篇文章拆解 Agent Harness 的五大支柱，解释每个设计决策背后的原因与取舍。
阅读文章 - 08
Claw Code 架构解析：Rust 如何重塑 AI Agent 的可靠性边界
大多数 AI Agent 框架用 TypeScript 或 Python 构建，Claw Code 选择了 Rust 并基于 Trait 泛型设计了一套完全解耦的运行时架构。这篇文章深入拆解它的核心设计决策：依赖倒置、分层工具系统、分级权限模型、Hook 机制和 MCP 集成。
阅读文章 - 09
MCP 不只是工具调用：重新理解 AI 系统的协议层
MCP 被反复类比为 AI 世界的 USB-C，但真正值得关注的不是这个比喻本身，而是它试图解决一个更现实的问题：当 AI Agent、AI IDE 和企业系统开始同时接入越来越多工具、数据源和上下文时，如何把这些连接关系从一次性集成变成可组合、可迁移、可治理的协议层。
阅读文章 - 10
- 11
ChatGPT助力可视化方案探索
ChatGPT 是一种基于深度学习的自然语言处理技术，可以理解和生成人类语言。与其他自然语言处理技术不同，ChatGPT可以自我训练和生成大量的文本数据。这使得ChatGPT成为了一个强大的工具，在多个领域都被广泛应用。 如果可以通过与ChatGPT对话的方式，自动提取数据和可视化分析。这将是一件非常 Amazing 的事情！ 本文将探讨如何利用 ChatGPT 实现智能数据可视化方案。
阅读文章