把这道题答好，关键不在于背熟四个定义，而在于建立一条问题驱动的技术演进主线LLM 有能力，但缺知识、缺行动、缺工具生态；RAG 补知识，Agent 补行动，MCP 补标准；四者层层递进，共同构成一个可落地的 AI 应用架构。下次面试官再问，别急着背概念，先说一句：“这四个不是并列的，是一条演进链，我从 LLM 的局限讲起。”——这一句，就已经赢了一半。

面试进行到第 40 分钟，面试官合上简历，问了一句：很多 Java 工程师这时候会开始背名词：LLM 是大模型，RAG 是检索增强，Agent 是智能体，MCP 是……协议？然后就没有然后了。问题不在于你不知道这四个词，而在于你说不出它们之间的因果关系。面试官想听的从来不是定义，而是：你在什么场景下，因为遇到了什么问题，引入了哪一层，它又带来了什么新问题。这篇文章就用一条完整的链路，把这四个概念串

如果说2023年是AI编程的"尝鲜期"，2024—2025年是"混战期"，那么到了2026年，AI编程工具已经进入分层成熟期：IDE插件、AI原生编辑器、终端Agent、代码评审机器人、全流程研发平台各司其职，价格、能力、适用场景的差异也越来越清晰。本文按使用场景把33个主流工具分成7大类，每个工具给出「定位 + 亮点 + 适合谁」，帮你快速建立全景认知，再按需深入。说明：工具能力与定价变化很快，

如果说2023年是AI编程的"尝鲜期"，2024—2025年是"混战期"，那么到了2026年，AI编程工具已经进入分层成熟期：IDE插件、AI原生编辑器、终端Agent、代码评审机器人、全流程研发平台各司其职，价格、能力、适用场景的差异也越来越清晰。本文按使用场景把33个主流工具分成7大类，每个工具给出「定位 + 亮点 + 适合谁」，帮你快速建立全景认知，再按需深入。说明：工具能力与定价变化很快，

如果你在 2024 年问一个程序员"你的 Skills 是什么"，他大概率会回答：Java、Go、React、Kubernetes。但到了 2028 年，这个问题的答案已经变了。写代码本身正在贬值，而"定义问题、编排智能体、验证结果"的能力正在急速升值。这篇文章整理了 2028 年编程圈讨论度最高的 10 个 Skills。它们不是某个具体框架或语言，而是在 AI 深度参与开发之后，一个工程师真正

生产环境里，你不得不加大量审批、白名单、沙箱，而这些限制又会削弱 Agent 的「自主性」——最后往往退化成一个受限的 Workflow，那还不如一开始就写 Workflow。普通 LLM 调用是「一次输入 → 一次输出」，不确定性只发生在一个点上，可以用温度、提示词、结构化输出、校验重试来控制。「Agent 开发」听起来很酷：让大模型自己规划、自己调工具、自己反思、自己循环，直到把任务做完。要把

去年这个时候，我还在写第 N 个 Spring Boot 项目，熟练地配着 MyBatis、调着 Dubbo 超时、跟运维扯着 JVM 参数。干了 15 年 Java，从 SSH 到 Spring Cloud，从单体到微服务，我一度以为自己的技术栈已经足够"稳"。然后 ChatGPT 来了，再然后 Agent 来了。这一年我转做 Agent 工程师，从写 CRUD 到写 Prompt、写工具调用、

CLAUDE.mdHooksSkillsSubagentsCLAUDE.md是「记忆」，让 AI 懂项目Hooks是「神经」，让 AI 行为可控Skills是「肌肉记忆」，让 AI 会做事Subagents是「团队」，让 AI 能协作掌握这四者，你就能把 Claude Code 从单打独斗的编码助手，升级为深度融入团队流程的智能开发伙伴。建议从CLAUDE.md开始，逐步构建属于你自己的 AI 协

基于 AI 的前端 UI 自动化测试，正在从"脚本编写"走向"意图驱动"。它不能完全取代测试工程师的判断力，但能大幅降低维护成本、提升稳定性与覆盖率。未来，随着多模态模型能力的增强，AI 将更深入地理解页面语义与用户行为，推动 UI 自动化测试向更智能、更高效的方向演进。

sweety-handdraw-video 是一个开源的手绘视频自动生成管线。分镜拆解：将长文本拆分为多个镜头（Scene）手绘画面生成：为每个镜头生成手绘风格的静态画面运镜与动画：为画面添加手绘特有的「绘制过程」动画效果配音与字幕：自动生成语音旁白与同步字幕视频合成：将画面、动画、音频、字幕合成为最终 MP4 视频简单来说，你只需要提供一段文字，它就能输出一条完整的手绘风格视频。sweety-h