摘要： "Harness Engineering"标志着AI编程进入工程化阶段，核心在于构建模型的工作环境以稳定产出结果。其演进分为三阶段：从初期提示工程（优化单轮交互），到上下文工程（管理多轮输入），最终发展为Harness Engineering——通过文件系统、Sandbox、记忆约束、Web搜索等工具，为AI打造可控、可验证的工作台。在编码场景中，工程师角色转向设计高效

本文分享了团队AI知识库的落地实践过程。首先通过AI辅助分类整理散落在飞书文档和代码仓库中的资料，并建立Git仓库进行版本管理。在内网服务器安装GBrain后，团队成员通过MCP接口接入，定时脚本自动更新知识库内容。为提升使用效果，项目文档中明确指导AI代理优先查询知识库的场景。目前仍存在入库自动化、文档格式标准化和权限细化等优化空间。实践表明，知识库效果不仅依赖问答层，更取决于资料整理、版本控制

本文探讨了构建高效团队知识库的两种方法论——RAG（检索增强生成）和LLM Wiki。RAG通过检索相关文档片段辅助大模型生成回答，解决模型"幻觉"、知识更新和内部资料调用问题，但依赖原始资料质量。LLM Wiki则强调用AI主动整理知识体系，将碎片化资料转化为结构化的Wiki页面并建立关联，实现知识持续演进。作者认为二者应结合使用：LLM Wiki负责知识治理，RAG提供检索问答能力。文中还推荐

摘要： AI工具正从单一功能转向工作流整合，Stitch MCP与Codex的接入实现了设计与工程的协同。通过配置MCP协议，Codex可直接读取Stitch的设计资产，结合需求文档生成初步代码框架。这种联动突破了传统“设计-开发”割裂的流程，将UI设计、技术栈选择和工程实现串联为连续链路。虽然当前输出仍需人工校验和优化，但显著提升了从设计到落地的效率。技术人员的角色正转向更精准的上下文管理与结果

本文探讨了构建高效团队知识库的两种方法论——RAG（检索增强生成）和LLM Wiki。RAG通过检索相关文档片段辅助大模型生成回答，解决模型"幻觉"、知识更新和内部资料调用问题，但依赖原始资料质量。LLM Wiki则强调用AI主动整理知识体系，将碎片化资料转化为结构化的Wiki页面并建立关联，实现知识持续演进。作者认为二者应结合使用：LLM Wiki负责知识治理，RAG提供检索问答能力。文中还推荐

从 OAuth 切到 API Key 后，我是怎么确认 Codex 会话还在本地，并把历史列表重新同步回来的。

从一次公司内部开源讨论出发，重新思考 AI 时代软件的价值边界、开源目的，以及小团队该怎么活下去。

摘要： AI工具正从单一功能转向工作流整合，Stitch MCP与Codex的接入实现了设计与工程的协同。通过配置MCP协议，Codex可直接读取Stitch的设计资产，结合需求文档生成初步代码框架。这种联动突破了传统“设计-开发”割裂的流程，将UI设计、技术栈选择和工程实现串联为连续链路。虽然当前输出仍需人工校验和优化，但显著提升了从设计到落地的效率。技术人员的角色正转向更精准的上下文管理与结果

摘要： "Harness Engineering"标志着AI编程进入工程化阶段，核心在于构建模型的工作环境以稳定产出结果。其演进分为三阶段：从初期提示工程（优化单轮交互），到上下文工程（管理多轮输入），最终发展为Harness Engineering——通过文件系统、Sandbox、记忆约束、Web搜索等工具，为AI打造可控、可验证的工作台。在编码场景中，工程师角色转向设计高效

从概念、机制到实践：为什么 Skill 正在成为跨平台的 Agent 能力扩展方式