当我们看到一个 Agent 表现得越来越“聪明”时，不妨换一个角度去理解它。有些能力来自模型长期训练形成的基本功；有些能力来自当前上下文中的规则、示例和任务约束；还有一些能力来自运行时连接的知识库、工具和业务系统。从工程视角来看，现代 Agent 已经不再只是一个大模型，而是一套围绕大模型构建的系统。模型负责推理，Context 负责任务适配，外部系统负责提供知识、状态与执行能力。真正决定 Age

当我们看到一个 Agent 表现得越来越“聪明”时，不妨换一个角度去理解它。有些能力来自模型长期训练形成的基本功；有些能力来自当前上下文中的规则、示例和任务约束；还有一些能力来自运行时连接的知识库、工具和业务系统。从工程视角来看，现代 Agent 已经不再只是一个大模型，而是一套围绕大模型构建的系统。模型负责推理，Context 负责任务适配，外部系统负责提供知识、状态与执行能力。真正决定 Age

文章摘要： AI编程常见的失败模式是需求不清晰导致的"对齐失败"。Matt Pocock开源项目mattpocock/skills中的grill-me技能通过"无情审问"机制解决这一问题：在编码前，AI会按决策树逐步提问（每次带推荐方案），直到与开发者达成共识。这种方法强制将模糊需求转化为具体决策，提升工程纪律性。使用时可单独调用grill-me，或接入完整

摘要： Context（上下文）是影响AI Agent表现的关键因素，它不仅是聊天记录，还包括系统提示、当前任务、历史对话、代码、记忆等多维度信息。随着对话和任务叠加，Context会不断膨胀，导致模型处理速度变慢、遗漏细节或混淆需求。即使大容量ContextWindow也无法完全解决效率问题，因为模型仍需消化冗余信息。优化Context管理的核心是保持相关性：拆分任务对话、定期总结阶段性成果、将

摘要： Context（上下文）是影响AI Agent表现的关键因素，它不仅是聊天记录，还包括系统提示、当前任务、历史对话、代码、记忆等多维度信息。随着对话和任务叠加，Context会不断膨胀，导致模型处理速度变慢、遗漏细节或混淆需求。即使大容量ContextWindow也无法完全解决效率问题，因为模型仍需消化冗余信息。优化Context管理的核心是保持相关性：拆分任务对话、定期总结阶段性成果、将

本文探讨了AI编程助手（如ClaudeCode）工作方式中CLI与MCP协议的关系差异。作者指出二者并非竞争关系，而是互补的解决方案：CLI作为执行层工具，适合目标明确的简单任务（如部署、查看日志），能直接执行命令并返回结果；而MCP作为能力描述层，更适合复杂场景（如数百个接口的多步骤工作流），通过预先说明平台能力帮助AI进行任务规划。两者的核心差异在于CLI采用"用时查阅"模

首先在 Next 中创建好接口文件，接口文件的模式按照 Next 所提供的接口格式进行接口配置，最后在页面中直接使用接口路径使用即可。以上就是如何使用 Next 框架实现一个简单的后端接口。

本文探讨了AI编程助手（如ClaudeCode）工作方式中CLI与MCP协议的关系差异。作者指出二者并非竞争关系，而是互补的解决方案：CLI作为执行层工具，适合目标明确的简单任务（如部署、查看日志），能直接执行命令并返回结果；而MCP作为能力描述层，更适合复杂场景（如数百个接口的多步骤工作流），通过预先说明平台能力帮助AI进行任务规划。两者的核心差异在于CLI采用"用时查阅"模

本文探讨了AI编程助手（如ClaudeCode）工作方式中CLI与MCP协议的关系差异。作者指出二者并非竞争关系，而是互补的解决方案：CLI作为执行层工具，适合目标明确的简单任务（如部署、查看日志），能直接执行命令并返回结果；而MCP作为能力描述层，更适合复杂场景（如数百个接口的多步骤工作流），通过预先说明平台能力帮助AI进行任务规划。两者的核心差异在于CLI采用"用时查阅"模

OpenSpec是一款规范驱动开发工具，旨在解决AI编码时需求混乱、代码难维护的问题。它通过建立规范目录（openspec/specs）和变更提案（openspec/changes），实现需求先明确后开发的工作流程。核心四步：AI生成提案→团队评审→规范开发→归档更新。以添加OTP二次验证为例，5分钟即可完成规范制定。特别适合团队协作的长期项目迭代，能有效统一AI输出标准，建立可追溯的"