"""检查代码风格是否符合规范"""# 你的业务逻辑最佳实践添加详细的 docstring（LLM 用它理解工具用途）使用类型注解（strintdict等）返回结构化数据（dict优于纯字符串）做好错误处理（返回错误信息而非抛异常）# 传统方式：显式控制每一步# ADK 方式：声明目标，让 Agent 推理路径Agent(instruction="审查代码质量和安全性",你不再需要编写所有分支，而

Meta 开源的 HyperAgents 用 "Agent 训练 Agent" 的思路实现自动进化：meta-agent 观察 task-agent 的表现，直接写代码补丁修改它，循环迭代。模型越强，进化效果越好——强者恒强。跑同样的实验——sonnet 只在第一代摘到了 " 低垂果实 "（修正输出格式 + 加领域 prompt，val 从 0% 到 65%），之后就卡住了：后续几代要么产出空 d

到目前为止，AI 只能 “说话”，无法与外部世界交互。工具（Tools）是 Agent 的核心能力：你定义函数，AI 决定何时调用。用户：“北京今天天气怎么样？AI 思考：我需要天气数据 → 调用 get_weather("Beijing")你的代码：返回 {"temperature": "15°C", "condition": "sunny"}AI 合成：“北京今天晴朗，15°C。AI 自主决定

jk不是要替代 Jenkins，而是把 Jenkins 的操作界面从浏览器搬到终端。对于每天和 Pipeline 打交道的工程师来说，少几次鼠标点击不是目的，真正的价值是让 Jenkins 操作可以进入脚本、进入 Makefile、进入 AI Agent 的工具链。对 AI coding Agent 来说，jk加上 skill，是目前最轻量的 Jenkins 接入方案。Jenkins 还没打算消失

推理强度越高，模型花的注意力越多，但注意力的分配方向变了——它在更深的地方挖，却可能错过了某些表层问题。它是最贵的一档，比 xhigh 多花了 67%，耗时将近 10 分钟，但发现的问题数和 xhigh 完全一样——而且还漏掉了一个 xhigh 抓到的问题。Kilo 的测试设计有一个值得关注的细节：被审计的代码库不是随机找的，而是他们自己写的——一个用 TypeScript、Bun 和 SQLit

周末检查博客草稿，发现了这篇。记得当时是与一起写的，算算过去了一年之久，这拖延症也算是病入膏肓了。原本想使用 K8sGPT +的方案，由于之前试过，感觉使用起来也更加友好，而且 Ollama 同样提供了，索性改成用 Ollama 吧。介绍 k8sgpt-operator 的文章发布后，有小伙伴反馈 OpenAI 的使用门槛，这个问题确实比较棘手，但也不是不能解决。不过本文并不是介绍如何解决这种问题

到目前为止，AI 只能 “说话”，无法与外部世界交互。工具（Tools）是 Agent 的核心能力：你定义函数，AI 决定何时调用。用户：“北京今天天气怎么样？AI 思考：我需要天气数据 → 调用 get_weather(“Beijing”)你的代码：返回 {“temperature”: “15°C”, “condition”: “sunny”}AI 合成：“北京今天晴朗，15°C。AI 自主决定

]})Agent 可以携带长期记忆、专业词汇表、特定工具集，成为你团队的“虚拟专家”。

Spring Boot 2 → 3 的迁移，本质上是一个规模化变更问题，而不是一个技术难题。大多数变更的规则是明确的，只是数量多、分布散、人工处理容易出错。OpenRewrite 解决的正是这个问题。官方 Recipe 处理框架层面的变更，自定义 Recipe 处理项目特有的问题，少数需要语义判断的地方留给人或 AI。这次迁移里，两步命令完成了 95% 的工作，剩下的不到 10 分钟手动处理。如果

从 Docker 容器到 Firecracker microVM，再到 ZeroBoot 的 CoW fork——每一步演进都是对同一个矛盾的不同回答：如何在隔离强度与启动开销之间找到新的平衡点。ZeroBoot 的 0.79ms 是一个值得关注的信号。当 VM 启动延迟被压到这个量级，microVM 与容器在 " 启动开销 " 这个维度上的差距几乎消失，剩下的只有隔离强度的差异——而 micro