claude --agents '{"reviewer": {"description": "代码审查员", "prompt": "你是一个严格的代码审查员"}}'定义自定义 Agent 角色，在会话中切换使用。Claude Code 是目前我用过的最接近"AI 程序员"的工具。它不是完美的——有时候会犯蠢，有时候会过度设计，有时候需要你纠正方向。但它确实在干活，而且干得比大多数人预期的要好。如果

Four AI assistants triggered by @mention in messages: 小Q (QA), 小T (text-to-image), 小V (text-to-voice), 小M (multi-model). Implemented as a Chain of Responsibility in。

Mock harness 不能省——它验证的是编排逻辑（query rewrite、参数选择、拒答路径），改了 RAG 代码后必须跑。但它衡量不了真实效果。向量检索预设文档真实 pgvectorLLM 生成固定逻辑真实 qwen-plus用途回归测试效果验证运行条件无外部依赖需要基础设施。

把 MCP 想象成给机器人装新的机械臂，把 Skills 想象成给机器人写操作手册。机械臂让它能做新事情，操作手册让它把已有事情做好。两者不冲突，也不互相替代。大部分项目两者都会用到：MCP 连接你需要的外部系统，Skills 规范你需要的流程标准。

那篇文章里的公司之所以敢这样做，是因为他们把“项目”当成了“一次性消费品”。停止低水平的重复劳动： 如果你的工作内容是可以被 Agent 轻易模拟的“CRUD”或“模式化编码”，那么你现在就处在淘汰的边缘。转向“系统架构防御”： 未来的开发，不再是构建系统，而是管理系统。你需要学习如何设计能够对抗 AI 幻觉的架构，学习如何构建可观测性（Observability）体系，确保 AI 在瞎搞的时候，

这两天看不是“整段流程保护罩”，它更适合包住短而确定的本地状态变更，不适合顺手把远程模型调用、工具调用这类慢操作一起包进去。很多人第一次写这类流程时，很容易觉得“这一整轮要么全成功，要么全失败”，于是想把chat()整体放进一个事务里。直觉上很完整，实际上风险很高。因为数据库事务一旦拉长，连接、锁、行版本和回滚成本都会一起拉长；而远程调用偏偏最不稳定，慢的时候慢，失败的时候还不一定能按你的预期回滚

claude --agents '{"reviewer": {"description": "代码审查员", "prompt": "你是一个严格的代码审查员"}}'定义自定义 Agent 角色，在会话中切换使用。Claude Code 是目前我用过的最接近"AI 程序员"的工具。它不是完美的——有时候会犯蠢，有时候会过度设计，有时候需要你纠正方向。但它确实在干活，而且干得比大多数人预期的要好。如果

用户输入│▼Guardrail（输入安全检查）│▼Context Assembly（组装上下文）│▼Orchestration（Agent 循环）│├── Tool Calling（调用工具获取信息）├── RAG（检索知识库）├── Memory（读写记忆）├── Handoff（委派子任务）└── Structured Output（结构化决策）│▼Guardrail（输出安全检查）│▼Tra

用户输入│▼Guardrail（输入安全检查）│▼Context Assembly（组装上下文）│▼Orchestration（Agent 循环）│├── Tool Calling（调用工具获取信息）├── RAG（检索知识库）├── Memory（读写记忆）├── Handoff（委派子任务）└── Structured Output（结构化决策）│▼Guardrail（输出安全检查）│▼Tra

claude --agents '{"reviewer": {"description": "代码审查员", "prompt": "你是一个严格的代码审查员"}}'定义自定义 Agent 角色，在会话中切换使用。Claude Code 是目前我用过的最接近"AI 程序员"的工具。它不是完美的——有时候会犯蠢，有时候会过度设计，有时候需要你纠正方向。但它确实在干活，而且干得比大多数人预期的要好。如果