摘要：Claude Code/Codex扩展架构与必装组件指南 本文系统介绍了Claude Code/Codex的五层扩展架构，包括Skills、Plugins、Hooks、MCP和Subagents的层级关系与协作机制。重点推荐了三类必装Skills：1) Karpathy Skills（解决LLM三大通病的行为准则）；2) Superpowers（结构化开发方法论）；3) Grill Me（设

本文对比分析了三款AI知识管理工具：Claude-Obsidian、CodeGraph和Understand-Anything。Claude-Obsidian是基于Obsidian的知识管理Wiki引擎，通过LLM提取实体概念并构建知识库；CodeGraph是为AI Agent设计的代码语义索引图，采用SQLite数据库存储代码知识图谱；Understand-Anything则是多Agent协作的

这是最推荐的方式。# SKILL.md 示例：全栈开发助手---description: 全栈开发助手，支持需求分析、代码生成、测试编写、代码审查---## 角色定义你是一位资深全栈开发工程师，精通 Python、TypeScript、React、FastAPI。## 工作流程### 1. 需求分析阶段- 收到用户需求后，先确认技术栈和约束条件- 输出简短的技术方案（不超过5条要点）- 等待用户确

AI Native：下一代产品与组织的范式革命 AI Native是指从设计之初就以AI为核心构建的产品、公司或组织，其本质特征在于AI的不可移除性——若剥离AI，整个系统将失去存在意义。与AI增强型产品不同，AI Native产品（如Cursor编辑器、Perplexity）以自然语言交互为核心，具备持续学习能力和Agent驱动的动态业务流程。 研究表明，简单叠加AI工具可能降低19%效率，而真

AgentMemory：专为编码Agent设计的记忆引擎 摘要：AgentMemory是一个开源的持久记忆服务，专为Claude Code、Codex CLI等编码Agent设计，解决跨会话记忆丢失问题。核心特点包括： 自动捕获：通过12个Claude hooks和53个MCP工具静默记录编码过程 智能检索：BM25+Vector+Graph三流融合，召回率达95.2% 多层架构：工作记忆→情景记

文章摘要 《Loop Engineering：AI Agent自循环系统的设计与实践》介绍了构建AI自主闭环系统的关键方法。报告分为五章： 概念介绍：Loop Engineering通过自动化系统让AI自主执行任务，而非人工提示。它经历了Prompt→Context→Loop的三层抽象跃迁，核心在于循环内嵌具备判断力的Agent。 核心设计：循环六要素包括触发、上下文、行动、验证、状态和重试/终止

文章摘要： Harness Engineering（缰绳工程）是为AI Agent构建的"脚手架"工程，通过上下文管理、工具接口、验证循环、记忆系统和安全沙箱，将Agent从"能聊天"提升为"能可靠执行任务"。其核心公式为Agent可靠性=模型智能×Harness质量，实践表明强Harness搭配弱模型的效果可媲美弱Harness加顶级模型，且成本降低20倍。 Harness包含五大要素： 上下文

本文探讨了AI Agent应用可观测性的核心问题与解决方案，主要内容包括： 背景与痛点：AI应用具有不确定性、高Token成本和难以评估质量等特点，传统的调试方法失效，亟需建立可观测系统。 关键指标：提出AI应用的"黄金三指标" - Token消耗（成本）、Error率（质量）和Duration（性能），特别强调TTFT和TPOT等性能指标。 解决方案：介绍了基于OpenTelemetry标准的端

本文系统介绍了AI Agent评测的方法论与实践框架。文章首先阐述了评测的必要性，指出评测可量化Agent性能、确保功能稳定并支持版本对比。核心内容包括： 评测层次划分：能力评测、回归评测和A/B对比 评测三要素：任务(Task)、评分器(Scorer)和评测框架(Harness) 任务设计方法：从真实场景出发，采用结构化Spec设计（FR/EC/SC） 评分体系：组合使用确定性评分器、LLM评分

本文系统介绍了AI Agent评测的方法论与实践框架。文章首先阐述了评测的必要性，指出评测可量化Agent性能、确保功能稳定并支持版本对比。核心内容包括： 评测层次划分：能力评测、回归评测和A/B对比 评测三要素：任务(Task)、评分器(Scorer)和评测框架(Harness) 任务设计方法：从真实场景出发，采用结构化Spec设计（FR/EC/SC） 评分体系：组合使用确定性评分器、LLM评分