Claude Code 的出现，说明 AI 编程正在发生一个变化。过去大家关心的是：AI 能不能写代码；AI 能不能补全函数；AI 能不能解释报错；AI 能不能生成脚本。现在更应该关心的是：AI 能不能理解项目；能不能遵守团队规范；能不能参与测试闭环；能不能看懂 diff；能不能管理上下文；能不能在权限边界内执行任务；能不能把开发、测试、提交、复盘串起来。这才是 Claude Code 值得学习的

很多协议转换项目，最容易做的是普通文本对话。原因很简单。不同模型、不同 SDK、不同客户端，对工具调用的表达方式不一样。tool_calls有的是 XML 风格。有的是消息块。有的是流式增量输出。有的是先输出工具名，再输出参数片段。如果 Tool Call 适配不严谨，模型输出可能会被当成普通文本，或者工具调用结构泄漏给用户。

DeepSeek-TUI 的走红，不只是一个开源项目获得了关注。从聊天框到终端从代码生成到工程执行从单次问答到持续反馈从人工复制粘贴到工具链协作对测试开发来说，这类变化尤其值得重视。因为测试开发本来就站在代码、工具、平台、流程和质量之间。当 AI 开始进入终端，进入项目，进入 CI/CD，进入自动化测试流程，测试开发的能力边界也会被重新定义。未来更有竞争力的测试开发，不一定是写代码最快的人。而是能

最近，Anthropic 开源了一个很值得关注的项目：。从仓库 README 来看，这个项目不是简单放了一批 Prompt 模板，而是把 Claude 使用的一套 Agent Skills 能力机制开放出来，里面包含技能示例、规范、模板，以及文档处理相关的复杂 Skill 参考实现。简单说，Skills 的目标是：让 Agent 在面对特定任务时，可以动态加载一组已经封装好的说明、脚本和资源，从而

最近后台被问爆了一个问题。“网上天天推送Claude Code、OpenClaw、Cursor，到底哪个更实用？我一个做自动化的，都被整懵了。一个20人的测试团队，有人用Claude Code做API自动化、接管CI流程；有人用Cursor在IDE里写脚本、调试用例；还有人已经在用OpenClaw挂了一个智能体，24小时扫描线上日志、自动报Bug。你同时看到这三个东西在不同人手里跑。但没有人能直接

《AI在测试领域的实践路径：从自动化到智能化的演进》摘要 文章探讨了AI如何解决传统自动化测试面临的三大痛点：UI定位脆弱、接口用例维护困难和业务用例设计不全。作者提出了智能化测试的四层能力模型，包括感知层（AI辅助元素识别）、生成层（自动生成脚本）、认知层（业务逻辑理解）和协作层（多智能体分工），并分享了具体技术实现方案。通过某电商平台的实践案例，展示了AI落地后脚本修复时间减少80%、用例覆盖

很多协议转换项目，最容易做的是普通文本对话。原因很简单。不同模型、不同 SDK、不同客户端，对工具调用的表达方式不一样。tool_calls有的是 XML 风格。有的是消息块。有的是流式增量输出。有的是先输出工具名，再输出参数片段。如果 Tool Call 适配不严谨，模型输出可能会被当成普通文本，或者工具调用结构泄漏给用户。

TradingAgents 的爆火，说明市场对“金融 + Agent”的关注正在升温。AI 正在从一个回答问题的工具，变成一个能参与复杂业务流程的协作系统。在这个系统里，模型不再只是输出答案。它可以扮演分析师、研究员、风控、交易员、审批人。每个角色都有边界，每次决策都有过程，每个结果都可以复盘。这才是 Agent 时代真正有价值的地方。

在过往文章中，其实已经介绍了很多编写 skill 的技巧，而把他们组合起来，其实就是 Harness 了。其实 Harness 没有一个业界规定好的，固定的规范， 一切让智能体运行的更稳定，高效，准确的方法，其实都算作 Harness 的实践方法。所以 Harness 是一个方法论，而不是一个固定的实现规范。我在这篇文章中介绍的， 也只是比较常见的一些设计技巧。角色定义是整个文件最重要的一句话。它

Browserbase Skills 开源，表面上是给 Claude Code 增加浏览器自动化能力。但从技术趋势看，它代表的是 Agent 能力边界的一次扩展。理解文本 → 生成内容 → 生成代码打开系统 → 操作页面 → 执行任务 → 记录过程 → 反馈结果这就是从“文本智能”到“操作智能”的变化。对开发者来说，它意味着 AI Coding 不再只是生成代码，而是可能逐步进入验证、调试、回归和